基于机器学习的alexithymia评估使用休息状态默认模式 网络功能连接
1Functional Control Systems, Graduate School of Engineering and Science, TOYOSU Campus, Shibaura Institute of Technology, Research Building #14A32, 3-7-5 Toyosu, Koto-ku, Tokyo 135-8548, Japan.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
使用脑电图 (EEG) 信号的机器学习模型可以有效地评估alexithymia的严重程度. 这些模型确定了特定大脑区域和频段的功能连接,作为这种心理健康状况的关键指标.
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.
- 计算生物学 计算生物学
背景情况:
- 亚历克西西米亚是许多精神健康障碍的危险因素.
- 需要客观和可访问的方法来测量alexithymia.
- 当前的评估方法可能缺乏方便性或客观性.
研究的目的:
- 开发机器学习模型,使用电脑电图 (EEG) 信号进行alexithymia评估.
- 为了确定alexithymia的关键神经生理学标志物.
- 在这种情况下,探索可解释的人工智能 (XAI) 的实用性.
主要方法:
- 收集了休息状态EEG数据.
- 在默认模式网络 (DMN) 中的功能连接为不同的频段计算.
- 源部位化估计的大脑区域.
- 机器学习模型将参与者分为低或高的alexithymia组.
- 可解释AI (XAI) 分析模型的特征重要性.
主要成果:
- 该分类模型的最高ROC-AUC得分为0.70.
- 证明了有效的alexithymia评估,这取决于所选择的分类值.
- 泰达和马波段的功能连接,特别是在左海马,被确定为一个重要的特征.
- XAI强调了特定的DMN连接模式的重要性.
结论:
- 脑电图信号与机器学习相结合,为客观的alexithymia评估提供了一个有希望的方法.
- 大脑功能连接的特定模式,特别是在左海马体内跨和马波段,与alexithymia相关.
- 这种方法有潜在的临床应用,用于识别和管理alexithymia.
更多相关视频
10:43Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity
Published on: July 1, 2014
15.7K
07:56Resting-State Connectivity and Neuroimaging of Prefrontal Cortex Activity During a Block-Design Yoga Asana Practice Using fNIRS
Published on: June 24, 2025
792
