使用机器学习解码的多频段EEG信号,用于预测MDD中的RTMS治疗反应

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:

• 重复的横磁性刺激 (rTMS) 显示出对治疗严重抑郁症 (MDD) 的前景,尤其是治疗耐药的病例.
• 目前,MDD中rTMS治疗结果的预测生物标志物尚未得到充分研究.
• 个性化治疗策略对于优化MDD患者的治疗结果至关重要.

研究的目的:

• 确定可翻译的基于EEG的生物标志物,预测MDD患者的rTMS治疗反应.
• 探索机器学习和多频段EEG签名在个性化抑郁症治疗中的实用性.
• 研究特定振荡模式与治疗结果之间的关系.

主要方法:

• 从TDBRAIN数据集中,患有耐治疗抑郁症 (TRD) 的参与者接受了高频 (10 Hz) 左侧DLPFCrTMS或低频 (1 Hz) 右侧DLPFCrTMS.
• 治疗前的脑电图 (EEG) 被记录并使用机器学习框架进行分析.
• 脑电图振荡被分解成多带内在模式函数 (IMFs),以确定治疗反应的预测信号,通过贝克抑郁 inventory 评分的变化来测量.

主要成果:

• 多带EEG信号在高频 (r=0.40,p<0.01) 和低频 (r=0.26,p<0.05) 协议中显著预测了rTMS治疗结果.
• 关键的预测振荡包括IMF-Alpha,IMF-Beta和残余信号,每个协议都确定了不同的空间模式.
• 特定的额头,额头和中部大脑区域与治疗反应预测有关,并与人格测量相关.

结论:

• 机器学习驱动的多频段EEG签名显示出对预测MDD中rTMS治疗结果的重大前景.
• 这些发现为重大抑郁症障碍的个性化治疗策略提供了可翻译的途径.
• 鉴定的振荡模式可以作为指导MDD临床干预的有价值的生物标志物.