静止状态EEG信号的部分定向连贯性分析用于使用机器学习检测酒精使用障碍

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 数据科学数据科学数据科学

背景情况:

• 过度饮酒导致酒精使用障碍 (AUD),影响健康和社会互动.
• 目前的AUD诊断依赖于主观方法,强调需要客观措施.
• 在AUD中大脑结构的改变需要先进的诊断工具.

研究的目的:

• 开发和评估一种基于EEG的新型分类方法来检测AUD.
• 为了利用来自静止状态EEG信号的有效连接 (EC) 来进行AUD诊断.
• 评估部分定向连贯性 (PDC) 和支持矢量机 (SVM) 算法的有效性,以区分AUD与健康对照.

主要方法:

• 休息状态EEG数据从35名AUD患者和35名健康对照者 (HCs) 中收集.
• 使用部分定向连贯性 (PDC) 估计了有效连接 (EC).
• 支持矢量机 (SVM) 算法用于使用EC矩阵进行分类,具有或没有特征减少.

主要成果:

• 拟议的基于EEG的分类实现了94.5%的峰值精度和0.988.8的AUC.
• 在马波段的PDC相邻矩阵上的特征减少进一步增强了分类.
• 使用减少的PDC矩阵进行SVM分类,其高精度为96.37 ± 0.45%.

结论:

• 开发的算法显示出作为AUD检测的强大和客观的诊断工具的巨大潜力.
• 从EEG信号中整合EC特征可以提高诊断精度,超越主观评估.
• 这种方法可以为改进AUD管理提供量身定制的治疗策略.