一个基于EEG的优化内在大脑网络,用于使用微分图中心度检测抑郁症

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:

• 大型抑郁症 (MDD) 影响全球数以百万计的人,通过fMRI观察到功能性大脑连接的改变.
• fMRI的有限时间分辨率阻碍了研究快速功能连接 (FC) 动态的研究,这对于理解大脑状态至关重要.
• 脑电图 (EEG) 提供了毫秒的时间分辨率,使其适合跟踪快速的大脑动态,并可能作为诊断标记.

研究的目的:

• 提出一种新的神经标志物用于使用EEG衍生功能神经动力学检测抑郁症.
• 在重大抑郁症 (MDD) 中,研究默认模式网络 (DMN) 和视觉网络 (VN) 之间的远程功能神经动力学.
• 应用微分图中心性指数来优化MDD检测中的大脑网络分析.

主要方法:

• 利用高时间分辨率的EEG数据,在传感器层面分析功能性大脑动态.
• 使用最佳EEG节点检查DMN和VN之间的长距离功能神经动力学.
• 应用一种新的微分图中心性指数来减少特征维度,并优化MDD分类的大脑网络表示.

主要成果:

• 在MDD检测方面取得了卓越的分类性能,在两个独立数据集 (MODMA和HUSM) 上,准确度,f1分数和MCC超过99%.
• 在抑郁的个体中,在β频段 (15-30 Hz) 内的连接密度显著下降,这表明中断了远程互联网拓.
• 观察到DMN和VN之间的功能连接 (FC) 联系较弱,这表明与MDD的认知衰退和思维障碍相关的脱离.

结论:

• 提出的基于EEG的神经标志物,专注于DMN和VN之间的网络间动态,显示了抑郁症检测和监测的高可靠性.
• 破坏远程网络间拓,特别是降低β频段连接,是MDD的潜在生物标志物.
• 在MDD患者中,DMN和VN之间的弱FC链接可能反映出认知障碍和休息状态处理中断.