脑电图驱动的机器学习场景,用于评估帕金森病的冲动控制障碍并发症,使用低成本,定制的乐高式耳机

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:

• 接受多巴胺激动剂 (DA) 治疗的帕金森病 (PD) 患者可能会发展出冲动控制障碍 (ICD).
• 认知和运动并发症显著增加了PD患者的残疾和死亡率.
• 对ICD并发症的自动评估对于管理PD患者至关重要.

研究的目的:

• 开发和验证基于脑电图 (EEG) 的机器学习方法,用于PD的自动ICD评估.
• 为了区分患有ICD的PD患者与没有ICD的患者,并估计ICD的严重程度.
• 探索一种低成本可穿戴系统的潜力,用于现实世界的应用.

主要方法:

• 使用Go/NoGo任务记录认知和运动抑制任务期间的EEG活动.
• 使用支持矢量机 (SVM) 进行ICD检测和支持矢量回归 (SVR) 进行严重性估计.
• 在数据集上训练和测试模型,包括具有和没有ICD的PD患者和健康对照.

主要成果:

• 该SVM模型在区分患有ICD和没有ICD的PD患者方面实现了66.3%的准确性.
• 与PD组相比,SVR模型显示ICD组的严重性得分明显高于PD组.
• 基于EEG的方法显示了区分ICD存在和严重性的潜力,优于随机猜测.

结论:

• 一个EEG驱动的机器学习管道可以有效地评估PD患者的ICD并发症.
• 这项技术可能有助于开发可穿戴计算机辅助诊断系统,用于早期风险评估.
• 这些发现支持在PD患者中主动监测DA触发的认知并发症.