基于EEG的精神分裂症,抑郁症和异常衰老的特征:一个监督的机器学习调查
Elif Sarisik1,2,3, David Popovic1,2,3,4, Daniel Keeser2,4,5,6
1Max Planck Fellow Group Precision Psychiatry, Max Planck Institute of Psychiatry, Munich, Germany.
Schizophrenia bulletin
|September 9, 2024
概括
机器学习模型有效地使用EEG数据识别精神分裂症和严重抑郁症的电生理学特征. 衰老会影响这些特征,这表明早期应用用于诊断.
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.
- 生物标志物发现发现
背景情况:
- 电脑电图 (EEG) 提供了神经元活动的非侵入性,高时间分辨率测量.
- 机器学习 (ML) 与EEG相结合,显示出在严重精神障碍的基生物标志物中识别潜在的潜力.
研究的目的:
- 研究病理和生理衰老如何影响精神分裂症 (SCZ) 和严重抑郁症 (MDD) 的电生理学特征.
- 开发和验证ML模型来对SCZ和MDD患者进行分类,并使用EEG数据预测年龄.
主要方法:
- 休息状态EEG数据从735名参与者 (245名健康对照,250名SCZ,240名MDD) 中获得.
- 支持矢量机器模型使用嵌套交叉验证进行训练,以分类诊断组和预测年龄.
- 电生理学年龄差距估计 (EphysAGE) 被计算为预测年龄和时间年龄之间的差异.
主要成果:
- 分类模型准确地区分了SCZ与HC (72.7%的BAC),MDD与HC (67.0%的BAC) 和SCZ与MDD (63.2%的BAC).
- 降低中心α功率是SCZ和MDD的关键预测特征.
- 在健康对照组和MDD患者中,较高的EphysAGE与SCZ错误分类的可能性增加相关.
结论:
- ML模型可以提取MDD和SCZ的独特电生理学特征,具有潜在的临床应用.
- 衰老对诊断区分能力的影响需要迅速实施这些模型,特别是用于早期检测.
