在患有强迫症患者中进行EEG微态分析和机器学习分类
Mohan Ma1, Bingxun Lu2, Yumei Gong3
1Department of Psychiatry, National Clinical Research Center for Mental Disorders, and National Center for Mental Disorders, The Second Xiangya Hospital of Central South University, Changsha, 410011, Hunan, China.
Journal of psychiatric research
|January 16, 2025
概括
脑电图 (EEG) 微态分析揭示了强迫症 (OCD) 中大脑网络动态的改变. 这些变化与症状严重程度相关,这表明潜在的辅助诊断见解.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 精神病学是一个精神病学.
背景情况:
- 脑电图 (EEG) 微态分析提供了一种数据驱动的方法,可以在毫秒级别调查大脑网络动态.
- 强迫症 (OCD) 与整个大脑功能网络的复杂变化有关.
研究的目的:
- 用微态分析探索强迫症患者全脑功能网络的病态变化.
- 评估微状态特征作为强迫症辅助诊断指数的潜力.
主要方法:
- 招募了48名强迫症患者和52名健康对照 (HC).
- 使用64通道系统记录闭眼EEG.
- 组之间的微状态特征进行比较,与临床症状相关联,并使用机器学习进行分类.
主要成果:
- 与HC患者相比,强迫症患者从微观状态B过渡到C的概率明显较低.
- 强迫性思维与微状态A的持续时间,微状态B的发生以及C-to-B过渡概率相关.
- 焦虑症状得分 (HAMA) 与微状态C发生有负相关.
- 机器学习模型在强迫症与高强迫症分类方面实现了70.43%的AUC,在强迫症患者中区分焦虑严重程度方面达到77.13%.
结论:
- 脑电图微态特征在强迫症中发生变化,并与强迫性思想和焦虑有关.
- 基于微态特征的机器学习模型显示了对强迫症识别的有限但有前途的能力.
- 基于微态的分类方法的进一步优化对于临床应用是有必要的.
