Depression Episodes Detection: A Neural Netand Deep Neural Net Comparison.

Abstract

La depresión es un trastorno mental frecuente. Se estima que afecta a más de 300 millones de personas en el mundo. En esta investigación se utilizó una base de datos de actividad motora, de la cual se seleccionaron las lecturas de 55 pacientes (32 pacientes control y 23 pacientes con la condición), durante una semana en intervalos de un minuto, obteniendo un total de 385 observaciones (participantes) y 1440 características (intervalos de tiempo) de los cuales se extrajeron los intervalos de un minuto más representativos aplicando algoritmos genéticos que redujeron el número de datos a procesar, con esta estrategia se garantiza que los genes (características) más representativos de la población cromosómica se incluyan en un aprendizaje de una sola máquina modelo del cual se aplicó redes neuronales profundas y redes neuronales con el objetivo de crear una comparativa entre los modelos generados y determinar qué modelo ofrece mejor desempeño para detectar episodios de depresión. Las redes neuronales profundas obtuvieron el mejor desempeño con 0.8086 lo que equivale al 80.86% de precisión, esta red neuronal profunda fue entrenada con 270 de los participantes que es equivalente al 70% de las observaciones y se probó con el 30% de los datos restantes que es igual a 115 participantes de los cuales 53 fueron diagnosticados como sanos y 40 con depresión correctamente. En base a estos resultados, se puede concluir que la implementación de estos modelos en dispositivos inteligentes o en alguna herramienta de diagnóstico asistido, es posible realizar la detección automatizada de episodios de depresión de manera confiable.