对EEG进行基于图形的分析,用于划分类型的分类,应用闪的甘兹费尔德刺激

科学领域:

• 神经科学是一个神经科学.
• 心理生理学 心理生理学
• 网络科学 网络科学

背景情况:

• 甘兹费尔德条件改变大脑功能,并可以诱导伪幻觉体验,特别是在具有高阳性精神分裂型的个体.
• 基于精神分裂水平的脑网络差异的理解对于探索改变的感知体验至关重要.

研究的目的:

• 在使用基于图形的参数作为积极分裂型的函数的情况下,在甘兹菲尔德条件下研究和分类大脑网络.
• 探索大脑功能状态,甘兹菲尔德刺激和积极分裂型的个体差异之间的关系.

主要方法:

• 在Ganzfeld条件下对14名高精神分裂型 (HS) 和29名低精神分裂型 (LS) 参与者进行脑电图 (EEG) 评估,使用各种视觉和听觉刺激.
• 在六个频率子频段 (delta,theta,alpha,beta,gamma) 中计算权重功能大脑网络.
• 使用图形理论参数 (集群系数,强度,总效率) 进行分析,并通过RUSBoost算法进行分类.

主要成果:

• 低精神分裂型 (LS) 组表现出较高的聚类系数和强度,特别是在部和前部区域,与高精神分裂型 (HS) 组相比.
• 在所有甘兹菲尔德条件下,LS集团的整体效率显著提高.
• 在焦虑诱导过程中,RUSBoost算法实现了95.34%的分类准确度,对大脑状态进行分类,具有高的特异性和灵敏度.

结论:

• 这项研究首次探讨了在甘斯菲尔德条件下与积极分裂型相关的脑功能状态变化.
• 基于图表的参数有效地分类与精神分裂症相关的大脑状态,特别是在引起焦虑的条件下.
• 这些发现表明,在精神病研究中,有可能进行进一步的调查.