基于机器学习的分类,使用脑电学多个范式,在抑郁症和健康对照患者之间分类,这些患者从未使用过药物
Kuk-In Jang1, Sungkean Kim2, Jeong-Ho Chae3
1Cognitive Science Research Group, Korea Brain Research Institute (KBRI), Daegu, Republic of Korea.
Journal of affective disorders
|June 4, 2023
概括
结合多种脑电图 (EEG) 方法,显著改善了主要抑郁症 (MDD) 的分类. 与单个EEG范式相比,这种方法为以前没有服用过药物的MDD患者提供了更准确的诊断工具.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 生物医学工程 生物医学工程
背景情况:
- 电脑电图 (EEG) 是精神病学中未得到充分利用的诊断辅助工具.
- 重度抑郁症 (MDD) 是异质的,使EEG的诊断效用复杂化.
- 准确的MDD分类需要整合多个EEG范式.
研究的目的:
- 评估多个EEG范式的分类性能,在以前没有服用过药物的MDD患者与健康对照者 (HCs) 的对比.
- 为了确定是否结合EEG方法可以提高MDD的诊断准确性.
主要方法:
- 招募了31名从未使用过药物的MDD患者和31名HC患者.
- 记录的静止状态EEG (REEG),听觉唤起潜力的声音依赖性 (LDAEP) 和P300.
- 使用线性差异分析 (LDA) 和支持向量机 (SVM) 具有特征选择.
主要成果:
- 使用14个特征的分层分类器 (12个P300振幅和2个LDAEP) 实现了94.52%的准确性.
- 使用30个特征 (P300,LDAEP,REEG) 的SVM达到了90.32%的准确性.
- 个别EEG范式的准确性较低:REEG (71.57%),P300 (87.12%),LDAEP (83.87%). 这两种对象的准确性较低.
结论:
- 整合多个EEG范式优于单一的方法来分类以前没有服用过药物的MDD患者.
- 这种多式EEG方法显示了改善MDD诊断的希望.
