基于EEG的机器学习抑郁症检测:当使用情感词作为实验线索时,内在或公开的语言条件是否提供了更好的生物标志物?
Máté Kapitány-Fövény1, Mihály Vetró2, Gábor Révy2
1Nyírő Gyula National Institute of Psychiatry and Addictology, Budapest, Lehel utca 59., H-1135, Hungary; Faculty of Health Sciences, Semmelweis University, Budapest, Vas utca 17., H-1088, Hungary.
Journal of psychiatric research
|August 9, 2024
概括
在电脑电图 (EEG) 测试中,公开的言语在检测抑郁症方面显示出更高的准确性,而不是内在的言语. 情感词的价值对诊断准确度的影响很小,积极的词显示了轻微的优势.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 机器学习 机器学习
背景情况:
- 客观的诊断方法对于提高抑郁症检测效率至关重要.
- 非侵入性脑电图 (EEG) 为识别抑郁症提供了一个有希望的途径.
研究的目的:
- 用EEG比较内心与公开言语条件的诊断准确性,以检测使用EEG的抑郁症.
- 调查情感词的价值 (中性,正面,负面) 对基于EEG的抑郁症检测的影响.
主要方法:
- 一项涉及10名抑郁症患者和10名健康对照者的病例控制研究.
- 使用64个电极帽收集的EEG数据,测量神经对15个情感单词 (中性,积极,消极) 的神经反应,这些词在内在和公开的语音段中呈现.
- 使用EEGNet神经网络进行诊断分类.
主要成果:
- 对于EEGNet模型来说,公开言语条件产生了最高的诊断准确率 (69.5%),整体学科准确率为80%.
- 诊断准确度在情感词类别中显示微不足道的差异,积极词的准确度略高 (70.2%).
- 影响模型决策的关键大脑区域包括左侧叶,左叶和中额头区域.
结论:
- 抑郁症与某些大脑区域的特定神经网络方面有关,这可能表明情绪调节发生了改变.
- 露面谈话条件可能会提高基于EEG的抑郁症检测准确度.
- 需要进一步研究更大的样本大小来证实这些发现并探索潜在的混因素.
