通过EEG信号探索健康成年人,抑郁症和泛性焦虑症中的异常大脑功能连接:用于三重分类的机器学习方法

科学领域:

• 神经科学和计算精神病学
• 大脑-计算机接口和机器学习应用程序

背景情况:

• 抑郁症 (DD) 和泛性焦虑症 (GAD) 通常通过主观方法诊断,限制客观评估.
• 机器学习 (ML) 在揭示心理健康状况背后的复杂神经机制方面表现有前途.
• 了解大脑功能连接差异对于开发DD和GAD客观诊断工具至关重要.

研究的目的:

• 使用电脑电图 (EEG) 数据调查DD,GAD和健康对照 (HC) 的神经机制.
• 构建基于机器学习的诊断框架,用于对DD,GAD和HC进行分类.
• 识别最佳时间窗特征和机器学习模型,以准确分类.

主要方法:

• 收集了42名DD患者,45名GAD患者和38名HC成年人的EEG信号.
• 使用阶段滞后指数 (PLI) 量化大脑功能连接.
• 使用XGBoost,CatBoost,LightGBM和整体模型评估分类性能,通过Autogluon-Tabular优化功能.

主要成果:

• 一个最佳的12秒时间窗口使用合奏模型产生了最高的分类准确率97.33%.
• 观察到显著的大脑重组,特别是在额叶和贝塔节律活动期间.
• 与HC相比,在DD和GAD患者中发现了异常大脑功能连接的明显模式.

结论:

• 机器学习,特别是优化的EEG功能,可以有效地区分DD,GAD和HC.
• 这些发现强调了功能性大脑连接的改变,特别是在额头区域和β频率,在DD和GAD中的作用.
• 这项研究提供了一个强大的,数据驱动的方法,有助于对DD和GAD神经机制的客观诊断和理解.