一种机器学习方法,用于在脑电图中检测幽闭恐惧的脑活动
Saber Rezaei1, Najme Parmeh2, Vahid Rajabpour2
1Department of Electrical Engineering, Iran University of Science and Technology, Tehran, Iran.
Scientific reports
|October 8, 2025
概括
使用脑电图 (EEG) 的机器学习算法成功地区分了闭塞恐惧症患者和健康对照者. 这项研究强调了基于EEG的分析对客观的闭塞恐惧症评估和诊断的潜力.
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:
- 封闭恐惧症,对封闭空间的过度恐惧,对个人的生活产生了重大影响.
- 电脑电图 (EEG) 具有研究诸如闭塞恐惧症等焦虑症中神经过程的潜力.
研究的目的:
- 开发和评估机器学习算法,以使用EEG信号来区分闭塞恐惧症患者和健康人群.
- 根据EEG数据评估经典和深度学习模型在对闭塞恐惧症的分类方面的有效性.
主要方法:
- 收集了22名参与者的EEG数据 (幽闭恐惧症和健康对照).
- 预处理的EEG信号,利用相对功率光谱密度 (rPSD) 在五个频段 (delta,theta,alpha,beta,gamma) 中提取特征.
- 应用并比较经典 (SVM,k-NN,DT,RF) 和深度学习 (MLP,CNN-BiLSTM) 模型,使用五倍交叉验证.
主要成果:
- 深度学习模型,特别是多层感知器 (MLP) 和具有双向长短期记忆的卷积神经网络 (CNN-BiLSTM),在结合所有频段时实现了最高的分类精度 (95.15% ± 0.77).
- 分析确定了额头和部大脑区域作为群体之间的关键差异化因素.
- 发现β和θ频段在区分幽闭恐惧症和非幽闭恐惧症患者方面具有重要意义.
结论:
- 基于EEG的机器学习算法显示了对封闭恐惧症的客观评估具有很高的潜力.
- 这些发现表明,未来在诊断和治疗狭窄恐惧症的干预方面取得进展的途径很有希望.
