在休息和情绪状态下基于EEG的功能连接性可以使用机器学习来识别主要抑郁症

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:

• 大型抑郁症 (MDD) 的特征是大脑网络连接受损.
• 在休息和情绪状态期间使用脑电图 (EEG) 评估功能连接 (FC) 可能会增强MDD的机器学习诊断模型.

研究的目的:

• 调查基于EEG的休息状态和情绪处理期间的FC的潜力,以使用机器学习方法来诊断MDD.
• 为了比较结合静止状态FC与在情绪刺激期间FC的模型的诊断准确性.

主要方法:

• 脑电图数据记录了24名从未使用过药物的MDD患者和25名健康对照者在休息状态和观看情绪视频 (快乐和悲伤) 期间的EEG数据.
• 使用阶段滞后指数量化了功能连接 (FC).
• 三个随机森林分类器模型建成:模型-I (静止状态FC),模型-II (快乐视频FC) 和模型-III (悲伤视频FC).

主要成果:

• 在所有频段中确定了MDD患者和对照人群之间的关键区别特征,特别是在前额,前额和前额的区域.
• 交叉验证的准确率为92.3% (模型-I),94.9% (模型-II) 和89.7% (模型-III).
• 测试准确率为60% (模型-I),80% (模型-II) 和70% (模型-III),表明了对情绪刺激的更好的分类.

结论:

• 用机器学习分析休息和情绪状态期间的EEG FC模式,可以帮助诊断MDD.
• 该研究强调了使用情绪刺激来提高基于EEG的MDD诊断的准确性的潜力.
• 建议进行进一步的研究以验证这些发现.