面向使用EEG通道缩小方法对曾经吸毒过的患有重度抑郁症的女性进行基于机器学习的诊断
Miseon Shim1, Han-Jeong Hwang2, Seung-Hwan Lee3
1Department of Electronics and Information Engineering, Korea University, Sejong, Republic of Korea; Industry Development Institute, Korea University, Sejong, Republic of Korea.
Journal of affective disorders
|June 11, 2023
概括
使用静止状态EEG的机器学习系统可以帮助诊断女性的严重抑郁症 (MDD). 传感器级阶段锁定值 (PLV) 显示出高精度,即使EEG通道较少,也证明了实际可行性.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 医学诊断 医学诊断 医学诊断
背景情况:
- 重度抑郁症 (MDD) 的诊断可能具有挑战性.
- 基于机器学习的计算机辅助诊断 (CAD) 系统显示出使用神经生理生物标志物诊断MDD的潜力.
- 以前的研究表明,CAD系统可以区分女性MDD患者与对照.
研究的目的:
- 开发一种基于静止电脑图 (EEG) 的实用CAD系统,用于从未使用过药物的女性MDD患者.
- 在CAD系统中考虑药物和性别影响.
- 评估CAD系统的可行性,使用通道缩小方法.
主要方法:
- 眼睛闭着,静止状态的EEG数据从49名从未服用过药物的女性MDD患者和49名对照患者中收集.
- 提取了六个EEG特征集:传感器和源级的功率频谱密度 (PSD) 和相锁定值 (PLV).
- 在62,30,19和10个EEG通道中使用支持向量机器进行了分类性能评估,并进行了交叉验证.
主要成果:
- 使用传感器级的PLV实现了最佳分类性能,获得了83.67%的准确性和0.92.9的AUC.
- 即使EEG频道数量减少到19个,分类准确度仍然高于80%,即使EEG频道数量减少到19个.
- 这表明传感器级PLV作为诊断特征的稳定性.
结论:
- 传感器级的PLV显示出显著的潜力,作为休息状态的基于EEG的CAD系统的诊断特征,用于从未使用过药物的女性MDD患者.
- 该研究通过道减少方法验证了这种CAD系统的实际可行性.
- 开发的系统可以帮助在这个人群中诊断MDD.
