Resumen:
La depresión es un trastorno mental que puede volverse crónico y obstaculiza significativamente el rendimiento de la vida diaria. En su forma más grave, puede llevar al suicidio. Las mediciones de actividad motriz se han convertido en un tema emergente en el campo de la salud mental. Varios estudios utilizan sensores para medir los movimientos de los pacientes a lo largo del tiempo para ayudar al diagnostico. El objetivo es desarrollar un modelo basado en algunas técnicas de aprendizaje automático y algoritmos genéticos, con el fin de clasificar pacientes con depresión y personas sanas utilizando la actividad motriz. Se seleccionaron las lecturas de 55 pacientes (32 pacientes control y 23 pacientes con la afección), durante el periodo de una semana obteniendo un total de 385 observaciones (participantes) y 1440 características (intervalos de tiempo) de las cuales se extrajeron los intervalos de un minuto más representativos para desarrollar un modelo de aprendizaje automático utilizando algoritmos como: redes neuronales, regresión logística, bosques aleatorios, máquinas de soporte vectorial y redes neuronales profundas donde estas últimas obtuvieron el mejor desempeño con un 80.24 % de precisión, fue entrenada con 270 observaciones y fue puesta a prueba con el 30 % de datos restante de los cuales 61 fueron clasificadas como sanas y 32 con depresión de forma correctas. En base a estos resultados, se puede concluir que la implementación de estos modelos en alguna herramienta de diagnóstico asistido puede ayudar evitar casos de depresión severa.
Descripción:
Depression is a mental disorder that can become chronic and significantly hamper the performance of daily life. In its most serious form, it can lead to suicide. Motor activity measurements have become an emerging topic in the field of mental health. Several studies use sensors to measure movements of patients over time to create a diagnosis. The aim is to develop a model based on some machine learning techniques and genetic algorithms, to classify patients with depression and healthy people using motor activity. Readings of 55 patients (32 control patients and 23 patients with condition) were selected, during period of one week, obtaining a total of 385 observations (participants) and 1440 characteristics (time intervals) from which the intervals of one minute more representative to develop a machine learning model using algorithms such as: neural networks, logistic regression, random forests, vector support machines and deep neural networks where the latter obtained the best performance with 80.24% precision, it was trained with 270 of participants and was tested with remaining 30% of data, which 61 were correctly diagnosed as healthy and 32 with depression. Based on these results, it can be concluded that the implementation of these models in an assisted diagnostic tool can help avoid cases of severe depression.
