通过使用拟议的APLZC和AWPLZC量化EEG信号复杂度来识别主要抑郁症

科学领域:

• 神经科学是一个神经科学.
• 计算生物学 计算生物学
• 医疗信息学 医疗信息学

背景情况:

• 准确诊断主要抑郁障碍 (MDD) 需要客观的定量指标.
• 传统的Lempel-Ziv复杂性 (LZC) 由于粗粒度缺陷,在分析MDD的动态EEG信号方面存在局限性.

研究的目的:

• 开发和评估新的算法,即适应性转换Lempel-Ziv复杂性 (APLZC) 和适应性加权转换Lempel-Ziv复杂性 (AWPLZC),以改进MDD检测.
• 提高EEG分析的精度,以区分MDD患者与健康对照 (HCs).

主要方法:

• 提议的APLZC和AWPLZC算法通过改进粗粒度和整合自适应参数确定 (错误的最近邻居,相互信息).
• 收集了30名MDD患者和30名HC患者的64通道静止状态EEG数据.
• 使用LZC,APLZC和AWPLZC计算的马振荡复杂性,然后使用多通道自适应K-最近邻近模型进行分类.

主要成果:

• 在区分MDD患者和HC患者方面,AWPLZC获得了最高的准确度 (95.13%) 和灵敏度 (98.86%).
• APLZC表现出比LZC更好的性能,精度为90.32%,灵敏度为85.04%.
• LZC实现了78.29%的准确度和67.96%的灵敏度.

结论:

• 在区分MDD患者与HC患者方面,APLZC和AWPLZC,特别是AWPLZC显著优于LZC.
• 这些先进的复杂性测量为客观的MDD诊断提供了有希望的临床影响.