从静止状态EEG数据中诊断自杀念头,使用机器学习算法

科学领域:

• 神经科学和人工智能 人工智能
• 临床心理学和精神病学 临床心理学和精神病学

背景情况:

• 自杀是全球卫生危机,需要改进客观风险评估方法.
• 目前基于面试的对自杀念头的评估通常是不准确的.
• 大型抑郁症 (MDD) 是自杀行为的重要危险因素.

研究的目的:

• 开发一种机器学习算法 (MLA),用于预测自杀想法.
• 利用静止电脑图 (EEG) 数据进行客观的风险评估.
• 提高MDD患者自杀风险评估的准确性.

主要方法:

• 收集了224名患有MDD的受试者的静止状态EEG数据.
• 应用了一个四步预测算法:EEG预处理,脑源定位 (ReLORETA),象征转移 (STE) 连接,和MLA.
• 在平衡数据集上比较支持向量机 (SVM),随机森林 (RF) 和K-最近邻居 (KNN) 分类器.

主要成果:

• 这三个MLA分类器在预测自杀想法方面都取得了很高的准确性.
• 支持矢量机 (SVM) 显示了最高的性能,准确率为88.9%.
• 使用倾向性评分分析来平衡数据集,以便进行可靠的比较.

结论:

• 对EEG数据的机器学习分析提供了一种潜在的非语言方法来改善自杀风险评估.
• 来自EEG的客观,定量方法可以补充传统的风险评估工具.
• 对基于EEG的生物特征的进一步研究可能有助于自杀预防策略.