心理健康查使用心率变化和额头脑电图特征:基于机器学习的方法

科学领域:

• 神经科学和计算精神病学
• 生物医学工程和信号处理.

背景情况:

• 心率变化 (HRV) 反映了自主神经系统功能和情绪调节.
• 脑电图 (EEG) 测量与精神病理学相关的皮质活动.
• 以前的研究利用HRV和EEG,通常与其他可穿戴数据一起,用于精神疾病 (PT) 的分类,但很少有人对健康对照 (HC) 进行了探索.

研究的目的:

• 为了确定关键的心率变化 (HRV) 和前额前脑电图 (EEG) 的特征,以准确地分类精神疾病 (PT) 与健康对照 (HC) 使用支持矢量机 (SVM).
• 为促进PT的早期个体级别查,减少未经治疗的疾病的持续时间.

主要方法:

• 从182名参与者 (87名PT,95名HC) 中收集了HRV和静止状态EEG数据的同时5分钟光电脉扫描 (PPG).
• 分析了时间和频域HRV特征和EEG功率光谱密度.
• 使用单向ANOVA F值的特征选择过程确定了高斯辐射基函数内核SVM模型的顶级N (1-22) HRV/EEG特征.
• 对于PT与HC,Leave-one-out交叉验证 (LOOCV) 评估了分类性能 (平衡精度,AUROC).

主要成果:

• 具有13个特征的最佳SVM模型实现了0.76的平衡精度和0.78.78的接收器操作特征曲线 (AUROC) 下的面积.
• 关键特征包括HRV功率光谱密度 (高,非常低,低频带,总功率,SDNN) 和正面EEGα峰值频率和功率光谱密度.
• 在90%以上的LOOCV代中,这些前13个特征始终被选择.

结论:

• 结合HRV和前额EEG特征显示了基于机器学习的心理健康查的协同潜力.
• 需要进一步的研究来预测治疗反应,并使用基线生理标志物指导治疗方案.