基于图形的EEG方法用于抑郁症预测:整合时间频率复杂性和空间拓
Wei Liu1,2,3, Kebin Jia1,2,3, Zhuozheng Wang1
1Faculty of Information Technology, Beijing University of Technology, Beijing, China.
Frontiers in neuroscience
|April 18, 2024
概括
这项研究引入了一种使用电脑电图 (EEG) 信号诊断抑郁症的新方法. 通过分析大脑活动模式,该方法在预测抑郁症方面达到很高的准确性,提供了更客观的诊断工具.
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:
- 抑郁症是全球领先的心理健康问题,由于主观和多样化的症状,它带来了诊断挑战.
- 传统的抑郁症诊断缺乏客观性,需要先进的,可靠的识别方法.
- 电脑电图 (EEG) 信号提供了对大脑活动的生物反射和可访问的测量,这对于客观评估至关重要.
研究的目的:
- 开发和验证使用EEG信号进行抑郁症预测的客观有效方法.
- 整合EEG数据的时间频率复杂性和空间拓,以提高诊断准确度.
- 确定EEG时间频率复杂性作为抑郁症的潜在生物标志物.
主要方法:
- 从EEG信号中提取时间频复杂性和时间特征,为图形卷积网络 (GCN) 创建节点特征.
- 使用通道相关性计算大脑网络相邻矩阵,以表示电极空间拓.
- 训练并验证了一个GCN模型,使用衍生节点特征和邻矩阵来进行抑郁症分类.
主要成果:
- 在MODMA数据集上达到98.30%的高准确率,在PRED+CT数据集上达到96.51%.
- 证明了拟议的基于EEG的抑郁症预测策略的可靠性和实用性.
- 证实了EEG时间频率复杂性的有效性,作为抑郁症的有价值生物标志物.
结论:
- 拟议的GCN策略有效地融合了EEG时间频复杂性和空间拓,以准确预测抑郁症.
- 这种方法提供了一个有希望的,客观的方法来帮助临床诊断抑郁症.
- 脑电图时间频率复杂性特征被验证为抑郁症识别的重要生物标志物.
