使用机器学习对患有抑郁症的青少年进行基于EEG微态的分类,有或没有非自杀性自我伤害
Young Wook Song1, Sungkean Kim2, Hyeon-Ah Lee3
1Department of Applied Artificial Intelligence, Hanyang University, Ansan, Republic of Korea.
Progress in neuro-psychopharmacology & biological psychiatry
|October 24, 2025
概括
脑电图 (EEG) 微态模式可以帮助识别患有严重抑郁症 (MDD) 的青少年的非自杀性自我伤害 (NSSI). 在患有NSSI的MDD青少年中发现了特定的EEG微态差异,为早期检测提供了潜在的生物标志物.
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.
- 计算神经科学是一种神经科学.
背景情况:
- 非自杀性自我伤害 (NSSI) 是青少年,特别是那些患有严重抑郁症 (MDD) 的青少年的一个重大问题.
- 在患有MDD的青少年中识别NSSI的神经相关物对于及时干预和治疗至关重要.
- 独特的脑电图 (EEG) 微态模式可能会在这个人口群中区分具有和没有NSSI的个体.
研究的目的:
- 在被诊断患有MDD并表现出NSSI的青少年中调查独特的EEG微态模式.
- 探索EEG微态作为MDD青少年NSSI生物标志物的潜力.
- 为了将EEG微态参数与心理评估相关联,并评估它们的诊断效用.
主要方法:
- 招募了134名参与者:44名患有NSSI的MDD,41名没有NSSI的MDD和49名健康对照 (HC).
- 使用微态分析记录和分析脑电图 (EEG) 数据.
- 使用相关性分析和机器学习算法进行组分类和模式识别.
主要成果:
- 与MDD两组相比,Microstate B显示HC的全球解释变异,持续时间,发生率和覆盖率显著更高.
- 患有MDD和NSSI的青少年与没有NSSI和HC的MDD相比,从微状态D到B的过渡概率较低.
- 机器学习模型在分类组中取得了显著的准确性,最高准确率 (77.42%) 是区分MDD与NSSI与HCs.
结论:
- 脑电图微态特征显示出作为确定MDD青少年NSSI的客观生物标志物具有前途.
- 这些发现有助于理解NSSI在青少年抑郁症中的神经支柱.
- 该研究强调了EEG微态在风险青少年早期检测和有针对性的干预方面的潜力.
