Comparison of Machine Learning Models for Identification of Depressive Patients through Motor Activity.
The present study aims to evaluate various classification algorithms for data pertaining to subjects diagnosed with depression and non-depressive subjects. To this end, the data obtained from the "depresjon" dataset proposed by Garcia-Ceja, E., et al were analyzed. This dataset comprises motor activ...
| Publicado en: | Revista Mexicana de Ingeniería Biomédica Vol. 46; no. 1; pp. 1 - 18 |
|---|---|
| Autores principales: | , , , , |
| Formato: | Artículo |
| Publicado: |
Sociedad Mexicana de Ingenieria Biomedica, A.C.
Jan-Apr2025
|
| Materias: | |
| Acceso en línea: | Ver este registro en EBSCOhost |
| Sumario: | The present study aims to evaluate various classification algorithms for data pertaining to subjects diagnosed with depression and non-depressive subjects. To this end, the data obtained from the "depresjon" dataset proposed by Garcia-Ceja, E., et al were analyzed. This dataset comprises motor activity recorded by the Actiwatch device (Cambridge Neurotechnology Ltd, England, model AW4). Predictions were made using various machine learning models, including synthetic data. Subsequently, metrics such as specificity, sensitivity, and precision were compared. The results highlight the best features of the data and the best machine learning model (using an ensemble model) for classifying potential depressive episodes in activity during the afternoon and night, with a precision of 96.6 %, sensitivity of 100 %, and specificity of 93.33 %. El presente estudio tiene como objetivo evaluar diversos algoritmos de clasificación de datos pertenecientes a sujetos diagnosticados con depresión y sujetos no depresivos. Para ello, se analizaron los datos obtenidos del dataset "depresjon" propuesto por Garcia-Ceja, E., et al, el cual se compone de la actividad motora captada por el dispositivo Actiwatch (Cambridge Neurotechnology Ltd, England, model AW4). Mediante distintos modelos de aprendizaje automático se realizaron predicciones incluyendo datos sintéticos. Posteriormente, se compararon métricas como especificidad, sensibilidad y precisión. Los resultados muestran las mejores características de los datos, así como el mejor modelo de aprendizaje automático (mediante modelo de ensamble) para realizar la clasificación de posibles episodios depresivos en la actividad durante la tarde y la noche, con una precisión del 96.6 %, una sensibilidad del 100 % y una especificidad del 93.33 %. |
|---|