14.03.2024, 12:00 Uhr
Universität Wien
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien

Titel: „Classification of treatment response in depression patients
using motif discovery“

Kurzfassung:
In den letzten Jahren hat das Interesse der Forschung an der Nutzung von EEG-Signalen
zur Entdeckung von Merkmalen und Mustern in Verbindung mit einer bestimmten psychiatrischen
Erkrankung zugenommen. Patienten, die sich einer Depressionsbehandlung
unterziehen müssen vier bis sechs Wochen warten, bevor ein Arzt das Ansprechen auf die
Medikamente beurteilen kann, da die Wirkung von Antidepressiva erst mit Verzögerung
eintritt. Die Erkennung des Ansprechens auf die Behandlung zu einem früheren Zeitpunkt
hat das Potenzial, mehrere Vorteile für Menschen mit Depressionen mit sich zu bringen,
indem die emotionale und wirtschaftliche Belastung von Depressionspatienten verringert
wird, da Behandlungen, die nicht wirksam sind, Wochen früher ersetzt werden können.
In dieser Masterarbeit betrachten wir die Vorhersage des Ansprechens von Patienten auf
die Behandlung als ein Klassifikationsproblem, indem wir die dynamischen Eigenschaften
von EEG-Aufzeichnungen von Depressionspatienten nutzen, die sich einer antidepressiven
Behandlung unterziehen. Wir untersuchen die Anwendung der führenden Motiverkennungsalgorithmen
SCRIMP++ und OSTINATO auf EEG-Aufzeichnungen und schlagen
einen Prozess von der Motivextraktion bis zur Erstellung eines Klassifikators mit hoher
Vorhersageleistung vor. Motive mit unterschiedlichen Längen werden aus drei Frequenzbändern
extrahiert: Alpha, Beta und Theta, und als Merkmale in einfacheren und
besser interpretierbaren Modellen verwendet. Der vorgeschlagene Prozess der Merkmalsextraktion
umfasst Kriterien für die Motivauswahl und die Behandlung von Klassenund
Geschlechterungleichgewichten. Die Datenbank besteht aus insgesamt 176 Patienten
und ist in einen Trainings- und einen separaten Testsatz unterteilt. Wir untersuchten vier
Klassifikatoren, von denen der SVM-Klassifikator mit einer Genauigkeit von 0,738 und
einem F1-Wert von 0,744 in der Testgruppe, die beste Leistung erzielte. Die Ergebnisse
zeigen, dass die dynamischen Eigenschaften der EEGs potenziell Informationen enthalten,
die bei der Unterscheidung zwischen Ansprechern und Nicht-Ansprechern helfen könnten.
Diese Masterarbeit ist Teil des internationalen Forschungsprojekts "Learning Synchronization
Patterns in Multivariate Neural Signals for Prediction of Response to Antidepressants",
einem gemeinsamen internationalen Projekt der Universität Wien, der
Tschechischen Akademie der Wissenschaften und des Nationalen Instituts für Psychische
Gesundheit der Tschechischen Republik.