从EEG数据的光谱测量中使用神经网络预测主要抑郁症
Igor Kozulin1,2, Ekaterina Merkulova3, Vasiliy Savostyanov3
1Faculty of Information Technologies and Mechanical-Mathematical Faculty, Novosibirsk State University, 630090 Novosibirsk, Russia.
Bioengineering (Basel, Switzerland)
|November 27, 2025
概括
这项研究开发了一种神经网络,用于使用脑电图 (EEG) 和心理数据来诊断严重抑郁症 (MDD). 在预测抑郁症严重程度和帮助诊断方面,LSTM模型取得了卓越的表现.
科学领域:
- 计算神经科学是一种神经科学.
- 精神病学是一个精神病学.
- 医疗信息学 医疗信息学
背景情况:
- 用神经网络处理电脑电图 (EEG) 在现代医学中至关重要.
- 大型抑郁症 (MDD) 的诊断往往依赖于主观的评估.
- 需要MDD的客观生物标志物来改善临床决策.
研究的目的:
- 开发和评估一种基于神经网络的方法来诊断MDD.
- 将静止状态EEG的光谱特征与心理问卷数据结合起来.
- 评估MDD中的分类和回归任务的不同算法的性能.
主要方法:
- 收集了71名参与者的静止状态EEG和心理数据 (42名健康者,29名MDD).
- 评估了传统的机器学习,深度学习 (LSTM),剥离分析和特征重要性分析.
- 执行二进制分类 (健康与MDD) 和回归来预测贝克抑郁 inventory (BDI) 评分.
主要成果:
- 一个LSTM网络上的三角心律EEG数据实现了R2 = 0.742预测抑郁症严重程度,比Ridge回归有86%的改善.
- 废除研究确定了三角形和αEEG节奏作为关键的神经生理生物标志物.
- 功能重要性分析强调了反思维,年龄和敌意作为主要的心理测量预测因素.
结论:
- 应用于光谱EEG数据的LSTM提供了对抑郁症严重程度的优质定量评估.
- 在心理测量或EEG数据上的逻辑回归为MDD查和诊断提供了可靠的工具.
- 这种客观的方法提高了临床决策和个性化治疗监测MDD.
