通过在特定频率和大脑区域的残余神经网络对主要抑郁障碍进行分类和评分

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 生物医学工程 生物医学工程

背景情况:

• 重度抑郁症 (MDD) 的诊断往往依赖于主观的临床评估.
• 需要MDD的目标生物标志物来提高诊断准确性和治疗监测.
• 大脑计算机接口 (BCI) 和机器学习为客观的神经生理学评估提供了潜力.

研究的目的:

• 开发一个自动化的脑计算机接口 (BCI) 系统来分类主要抑郁症 (MDD).
• 使用脑电图 (EEG) 数据创建一个评分抑郁症状严重程度的系统.
• 确定显著的EEG频段和大脑区域,以改善MDD检测和严重程度评估.

主要方法:

• 利用两个残余神经网络 (ResNets) 来进行抑郁症分类和严重程度评分.
• 使用脑电图 (EEG) 监测来捕捉大脑活动.
• 执行特征选择,重点关注特定频段 (例如β频段) 和EEG通道,通过十倍交叉验证进行验证.

主要成果:

• 在使用β频段和16个特定EEG通道时,BCI系统实现了更好的分类准确度 (0.871) 和减少根-平均-平方误差 (RMSE) (2.80).
• 确定了贝塔频段作为高度独特的抑郁症分类.
• 阶段一致性分析显示,增加的三角形失活和强大的β激活与增加的抑郁症严重程度相关.

结论:

• 开发的BCI模型有效地对MDD进行分类,并对抑郁症严重程度进行评分.
• 该系统为医生提供了一个整合拓性大脑依赖,量化症状和EEG信号的临床特征的工具.
• 通过选择特定的大脑区域和β频段,可以实现对抑郁症检测和严重性评分的优化BCI性能.