RSCZ:一个基于EEG的动态功能连接模式的多重性基于里曼的精神分裂症诊断框架
1Department of Clinical Psychology and Psychobiology, University of Barcelona, Passeig Vall D'Hebron 171, 08035, Barcelona, Spain; Institut de Neurociencies, University of Barcelona, Municipality of Horta-Guinardó, 08035, Barcelona, Spain; Integrative Neuroimaging Lab, Thessaloniki, 55133, Makedonia, Greece; Neuroinformatics Group, Cardiff University Brain Research Imaging Centre (CUBRIC), School of Psychology, College of Biomedical and Life Sciences, Cardiff University, Maindy Rd, CF24 4HQ, Cardiff, Wales, United Kingdom.
这项研究引入了一种新的机器学习方法,使用里曼的几何学来分析EEG数据以诊断精神分裂症 (SCZ). 该方法实现了100%的准确性,为自动SCZ检测提供了一个有前途的工具.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 生物医学工程 生物医学工程
背景情况:
- 异常的电生理学 (EEG) 活动是精神分裂症 (SCZ) 的已知特征.
- 以前的研究集中在使用EEG功能连接的自动SCZ诊断上,经常忽视拓依赖.
- 现有的方法还没有充分利用功能连接大脑网络 (FCBNs) 的几何特性,也没有对SCZ进行动态FCBNs (dFCBNs) 的分析.
研究的目的:
- 使用里曼几何学,从精神分裂症 (SCZ) 的EEG数据中分析动态功能连接大脑网络 (dFCBNs).
- 提出一种新的多重性指数,用于量化多频脑波模式之间的关联.
- 开发和验证基于机器学习的解码器,用于准确的SCZ检测.
主要方法:
- 分析两个开放的EEG-SCZ数据集,使用对称正定数 (SPD) 矩阵上的里曼的几何来进行dFCBN分析.
- 关于多重性指数的建议,以量化多频脑波模式的关联.
- 实施一个离开一个主题的交叉验证 (LOSO-CV) 机器学习程序,使用在主题间的dFCBN距离上运行的分类器.
主要成果:
- 提出的SCZ解码器,利用里曼的几何学和多重性指数,在两个分析的数据集实现了100%的绝对准确性.
- 解码器在默认模式网络 (DMN) 源空间中表现出有效性.
- 分类器使用了依赖节奏和依赖多重的决策策略.
结论:
- 这项研究成功地证明了将里曼几何学应用于用于精神分裂症检测的动态功能连接大脑网络的有效性.
- 开发的多重性指数和机器学习方法提供了一个高度准确的方法,用于从EEG数据中自动进行SCZ诊断.
- 这项研究在神经成像分析精神障碍领域取得了重大进展.
更多相关视频
14:27Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
Published on: June 26, 2013
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
