对精神分裂症的EEG微状态生物标志物:一种使用深度神经网络的新方法

科学领域:

• 神经科学是一个神经科学.
• 计算精神病学是一种计算精神病学.
• 生物医学工程 生物医学工程

背景情况:

• 精神分裂症的诊断严重依赖于主观的临床评估.
• 客观,定量诊断方法是非常需要的.
• 脑电图微态分析提供了一个潜在的客观生物标志物.

研究的目的:

• 利用EEG微态分析和机器学习开发一种强大的精神分裂症分类方法.
• 为了确定精神分裂症诊断的客观神经生理学标志物.
• 在EEG微态特征上评估机器学习模型的诊断性能.

主要方法:

• 分析了健康人和精神分裂症患者的静止状态EEG数据.
• 将EEG信号细分成频段,并确定了五个微状态 (A,B,C,D,E).
• 提取的微状态特征 (持续时间,发生率等) 和应用机器学习分类器 (DNN,随机森林) 具有交叉验证.

主要成果:

• 观察到微态过渡概率的显著变化,特别是在更高频段.
• 马波段显示了D 212 A过渡的明显差异.
• 随机森林通过使用F8频道的达频段特征实现了99.94%的准确性; DNN实现了98.31%的准确性.

结论:

• 引入了一种新的,高精度的EEG微态分析,用于诊断精神分裂症.
• 证明了神经精神疾病客观诊断工具的潜力.
• 提供了关于精神分裂症神经动态的见解,为改善临床实践铺平了道路.