用EEG微态和机器学习模型绘制ADHD中基于正念认知疗法的神经效应

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:

• 基于正念的认知疗法 (MBCT) 在治疗注意力缺陷/多动障碍 (ADHD) 方面表现有前途,没有已知的副作用.
• 通过MBCT影响ADHD中大脑功能的确切机制尚不清楚.
• 了解这些机制对于优化治疗策略和开发个性化干预措施至关重要.

研究的目的:

• 研究MBCT对休息状态脑电图 (EEG) 微态动态在ADHD成年人的影响.
• 探索MBCT诱导的大脑网络动态变化与临床改善之间的关系.
• 开发机器学习模型,根据治疗前的EEG数据预测MBCT的个体治疗反应.

主要方法:

• 一个随机对照试验,涉及61名ADHD成年人,将12周的MBCT干预与等候名单对照进行比较.
• 休息状态EEG数据是在干预前和后收集的,并使用不同频段的微态分析进行分析.
• 使用机器学习模型,根据治疗前的微状态动态预测治疗反应.

主要成果:

• MBCT显著改变了EEG微态A和B的时间动态,增加了它们的覆盖范围和持续时间.
• 在微观状态A (甲频段) 和微观状态D (α频段) 的解释变异中观察到显著的变化.
• 这些神经生理学变化与ADHD症状,正念,生活质量和执行功能的改善密切相关.
• 机器学习模型在预测个人治疗反应时,使用治疗前微态动态实现了83%的准确性.

结论:

• 在患有ADHD的成年人中,MBCT系统调节休息状态神经微态 (A,B和D).
• 来自微态动态的计算EEG生物标志物显示出引导基于正念的个性化干预的潜力.
• 这项研究为MBCT在ADHD治疗中的有效性提供了神经生理学基础,并突出了精准精神病学的潜力.