基于机器学习的精神分裂症和双相情感障碍的差异化,使用多尺度模糊和静止状态EEG相对功率与静止状态EEG相比
Hyeon-Ho Hwang1,2, Kang-Min Choi3, Sungkean Kim4
1Department of Human-Computer Interaction, Hanyang University, Ansan, Republic of Korea.
Translational psychiatry
|April 12, 2025
概括
这项研究使用了机器学习的多尺度模糊 (MFE) 和相对功率 (RP) 来区分精神分裂症 (SZ) 和双相情感障碍 (BD). 研究结果表明,不同的EEG模式可以提高这些复杂的精神疾病的诊断准确性.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 生物医学工程 生物医学工程
背景情况:
- 精神分裂症 (SZ) 和双相情感障碍 (BD) 分享重叠的症状,使诊断和治疗复杂化.
- 准确的区分对于有效的患者管理和治疗策略至关重要.
研究的目的:
- 确定基于脑电图 (EEG) 的生物标志物,以区分SZ和BD.
- 使用机器学习评估多尺度模糊 (MFE) 和相对功率 (RP) 分析的诊断实用性.
主要方法:
- 收集了65名SZ和49名BD患者的静止状态EEG数据.
- 计算的带尺度 FuzzyEn (MFE) 和 RP 在前部,中部和顶部区域.
- 使用支向量机 (SVM) 分类器来区分SZ和BD组.
主要成果:
- SVM的精度达到78.94%,灵敏度为81.53%和特异性为75.51%.
- 与BD患者相比,SZ患者在特定区域表现出更高的甲基尺度FuzzyEn,并增加了甲基功率.
- 这些EEG差异是强大的,即使考虑到药物效应.
结论:
- 结合MFE,RP和机器学习,为区分SZ和BD提供了一个有希望的方法.
- 这些基于EEG的生物标志物可能会提高精神疾病的诊断精度.
- 这项研究有助于为复杂的心理健康状况开发更客观的诊断工具.
