在严重抑郁症中基于交叉频率合方法的图形理论分析:静止状态EEG研究
Sepideh Baghernezhad1, Parisa Raouf1, Vahid Shalchyan1
1Neuroscience & Neuroengineering Research Lab., Biomedical Engineering Department, School of Electrical Engineering, Iran University of Science and Technology (IUST), Tehran, Iran.
Computers in biology and medicine
|October 4, 2025
概括
这项研究确定了用于诊断主要抑郁症 (MDD) 严重程度的脑电图 (EEG) 生物标志物. 结合交叉频率合和图形理论,该方法在分类抑郁水平方面实现了94.25%的准确性.
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.
- 生物标志物 生物标志物
背景情况:
- 重度抑郁症 (MDD) 是一种普遍且残疾的疾病,影响个人和社会功能.
- 目前的诊断方法依赖于患者的主观报告和临床专业知识,这可能会限制诊断精度.
- 客观生物标志物是准确可靠的MDD诊断和严重程度评估所需的.
研究的目的:
- 确定基于脑电图 (EEG) 的生物标志物,用于诊断抑郁症的严重程度.
- 调查交叉频率合 (CFC) 和图形理论指标在差异化压力水平中的实用性.
- 开发一种机器学习模型,使用EEG数据进行多层次的抑郁症严重程度分类.
主要方法:
- 从37名参与者中获取了休息状态EEG信号 (15人健康,10人中度抑郁,12人严重抑郁).
- 使用交叉频率合 (CFC) 测量和图形理论指标 (程度,K核心中心性) 分析了EEG数据.
- 一个支持矢量机 (SVM) 分类器被训练使用选定的CFC特征来预测抑郁症的严重程度.
主要成果:
- 抑郁症会影响整个大脑皮层,显著影响在前和后区域.
- 在大多数大脑区域中观察到K核度的程度和中心性的显著差异.
- 在使用四个CFC特征 (低α和低γ频段) 的情况下,SVM分类器在分类抑郁症严重性的准确度达到了94.25%.
结论:
- 结合CFC和图形理论分析,为多层次的抑郁症严重程度分类提供了有效的基于EEG的生物标志物.
- 这种新的方法显示出对MDD的客观诊断和治疗监测的希望.
- 将这种方法与心理尺度相结合,可以提高MDD的诊断和管理.
