通过静止状态EEG复杂性网络对精神分裂症亚型进行分类

科学领域:

• 神经科学是一个神经科学.
• 网络科学 网络科学
• 生物医学工程 生物医学工程

背景情况:

• 精神分裂症 (SZ) 越来越多地被视为一种网络障碍,其特点是功能连接异常.
• 功能性磁共振成像 (fMRI) 对SZ的临床实用性有限,而电脑电图 (EEG) 提供了一个实用的替代方案.
• 传统的EEG复杂度测量,如样本 (SampEn),往往无法捕捉时空网络动态,并产生不一致的结果.

研究的目的:

• 引入一种新的基于EEG的复杂性网络方法,用于研究精神分裂症亚型的功能性变化.
• 使用这种新的方法,区分缺陷 (DS) 和非缺陷 (NDS) 精神分裂症亚型和健康对照 (HC).
• 评估EEG复杂性网络的临床实用性,以对SZ亚型进行分类.

主要方法:

• 休息状态EEG数据从19名DS患者,19名NDS患者和30名HC患者收集.
• 复杂性网络是使用样本,模糊和相关系数 (斯皮尔曼和皮尔森) 构建的.
• 用机器学习 (SVM) 来进行分类,提取和分析了网络的关键拓特征 (全球效率,本地效率,强度).

主要成果:

• EEG复杂性网络方法揭示了与传统的SampEn不同,将SZ亚型与HC区分开来的独特拓模式.
• 在特定频段 (delta,theta,alpha) 中,DS患者表现出更高的局部效率和更低的全球效率.
• 支持矢量机 (SVM) 分类在区分组中实现了96.3%的准确性,特别是在delta和theta频段.

结论:

• 脑电图复杂性网络有效地将精神分裂症亚型与健康对照区分开来,突出显示SZ中的异常功能连接.
• 这种新的方法显示出临床应用在诊断和区分精神分裂症亚型,特别是在门诊环境中显著的希望.
• 建议在更大的队列和基于任务的范式中进一步验证,以巩固这种方法的临床实用性.