แจ้งเอกสารไม่ครบถ้วน, ไม่ตรงกับชื่อเรื่อง หรือมีข้อผิดพลาดเกี่ยวกับเอกสาร ติดต่อที่นี่ ==>
หากไม่มีอีเมลผู้รับให้กรอก thailis-noc@uni.net.th
หากไม่มีอีเมลผู้รับให้กรอก thailis-noc@uni.net.th
Yuttana Kitjaidure. Major depression disorder detection on EEG-Based with the convolution neural networks. (). King Mongkut's University of Technology North Bangkok. Central Library. : , 2020.
Major depression disorder detection on EEG-Based with the convolution neural networks
Name: Rathanon Suwanteerangkul
Organization :
King Mongkut's Institute of Technology Ladkrabang. Faculty of Engineering
Email :
62601073@kmitl.ac.th
Name: Yuttana Kitjaidure
Organization :
King Mongkut's Institute of Technology Ladkrabang. Faculty of Engineering
Email :
yuttana.ki@kmitl.ac.th
keyword:
EEG
ThaSH:
Electroencephalography
Abstract:
Nowadays, Major Depression Disorder is still a
concern about human mental health, and there are
significant challenges in the diagnosis. There are still
limitations in the traditional method used to classify
patients from healthy groups and required specialized
personnel such as a psychiatrist or psychologist. The aim
of this study is to introduce the ability of a deep learning
approach to detect abnormalities in EEG
(Electroencephalogram) signals of patients with
depression. The EEG features are based on the Time-Frequency
Analysis of EEG signals from the Morlet
wavelet transformation, also known as ERPs (Event-Related Potentials)
and ITPC (Inter-trial phase clustering),
which is complex and challenging to assess by humans.
We proposed a deep learning model that are integrating
the two Convolution Neural Networks (CNNs) models to
learn both EEG features at the same time to increase
efficiency in classification. The result shows that the
concatenation CNNs between two input's EEG features
received accuracy in classification at 91.60 percent compared
with general CNNs that use single input ERPs with
accuracy only 83.33 percent. Also, we are comparing with a
machine learning approach, such as KNN (K-nearest
neighbor), that received an accuracy of 67.00 percent.
King Mongkut's University of Technology North Bangkok. Central Library
Address:
BANGKOK
Email:
library@kmutnb.ac.th
Created:
2020
Modified:
2025-10-02
Issued:
2025-10-02
บทความ/Article
application/pdf
BibliograpyCitation :
ใน มหาวิทยาลัยนเรศวร และสมาคมวิชาการทางวิศวกรรมไฟฟ้า (ประเทศไทย). การประชุมวิชาการทางวิศวกรรมไฟฟ้า ครั้งที่ 43 (EECON-43) (pp.314-317). พิษณุโลก : มหาวิทยาลัยนเรศวร
eng
©copyrights King Mongkut's University of Technology North Bangkok
RightsAccess:
ใช้เวลา
0.034903 วินาที
Rathanon Suwanteerangkul
| Title | Contributor | Type |
|---|---|---|
| Major depression disorder detection on EEG-Based with the convolution neural networks
มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ Rathanon Suwanteerangkul;Yuttana Kitjaidure | บทความ/Article |
Yuttana Kitjaidure
| Title | Contributor | Type |
|---|---|---|
| Classification of obsessive-compulsive disorder by two-dimension convolutional neural network
มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ Rachapon Kittisakphaibun;Yuttana Kitjaidure | บทความ/Article | |
| Schizophrenia classification from EEG signal using a multi-input deep convolution neural network model
มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ Wichaya Booranaburuttham;Yuttana Kitjaidure | บทความ/Article | |
| Prediction of arm motion using electrocorticographic signals in monkeys
มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ Pakakul Wilaiprasitporn;Yuttana Kitjaidure | บทความ/Article | |
| Major depression disorder detection on EEG-Based with the convolution neural networks
มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ Rathanon Suwanteerangkul;Yuttana Kitjaidure | บทความ/Article |