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

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.