基于静止状态EEG多尺度非线性分析的跨主体MDD检测方法
Zhen Zhang1, Jianli Yang2, Peng Xiong3
1College of Electronic Information and Engineering, Hebei University, Baoding 071002, China.
Neuroscience
|July 14, 2025
概括
通过分析静止状态电脑电图 (EEG) 信号中的非线性模式,可以更好地检测严重抑郁症 (MDD). 高频EEG模式和多尺度特征融合显著提高跨主体MDD检测的准确性.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 数据科学数据科学数据科学
背景情况:
- 大型抑郁症 (MDD) 的诊断依赖于临床评估,缺乏客观的生物标志物.
- 静止电脑电图 (EEG) 信号包含与大脑功能相关的复杂非线性模式.
- 确定MDD的可靠EEG生物标志物对于客观和早期检测至关重要.
研究的目的:
- 探索静止状态EEG中的多尺度非线性模式,用于MDD检测.
- 调查潜在的EEG生物标志物,以区分MDD患者与健康对照 (HC).
- 开发一种使用EEG特征进行跨主体MDD检测的方法.
主要方法:
- 利用多尺度的Lempel-Ziv复杂性 (MLZC) 来从静态EEG信号中提取非线性特征.
- 应用大脑拓分析来比较MDD和HC组之间的EEG复杂性差异.
- 开发了一种多级特征融合方法,以提高跨学科分类性能.
主要成果:
- 与MDD组相比,HC组观察到较高的大脑活动复杂性,特别是在高频度尺度上.
- 高频尺度MLZC表现出卓越的分类性能,达到高达82.61%的精度.
- 多级特征融合提高了数据集的分类准确度,达到76.13%,强调了高频信息的重要性.
结论:
- 高频度尺度MLZC是MDD在静止状态EEG诊断的有效生物标志物.
- 多级非线性特征融合显著提高了跨主体MDD检测的准确性.
- 提出的方法为客观和可靠的MDD诊断提供了一个有希望的方法.
