走向多维抑郁评估:基于EEG的机器学习和神经生理学解释用于诊断,严重程度和认知衰退

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.

背景情况:

• 抑郁症 (DD) 诊断依赖于主观的自我报告,导致潜在的不准确和延迟.
• 需要客观的诊断方法来提高精度和临床效用.

研究的目的:

• 开发一种可解释的基于EEG的机器学习 (ML) 框架,用于诊断抑郁症 (DD).
• 通过使用EEG功能连接来评估DD症状严重程度和预测认知脆弱性.
• 确定用于临床决策支持的新型EEG生物标志物.

主要方法:

• 开发了一个集成优化功能连接特征的ML框架 (一致性,相滞后指数,格兰杰因果关系).
• 邻近组件分析 (NCA) 用于特征选择.
• 分类和回归模型 (KNN,ANN) 用于诊断,严重程度评估和认知障碍预测.

主要成果:

• 该模型使用21个NCA选择的功能与KNN分类器实现了高分类性能 (97.66%的准确性).
• 精确的严重程度评估 (r2 = 0.89) 和认知障碍预测 (r2 = 0.89) 是通过使用ANN回归器实现的.
• 这是第一个利用EEG连接特征来预测DD严重程度和认知障碍的研究.

结论:

• 拟议的基于EEG的ML方法在DD分类和严重性预测方面提供了优异的性能,与以前的方法相比,使用的特征较少.
• 在阿尔法,贝塔和马波段中,前额和时空通路连贯性和PLI值被确定为关键生物标志物.
• 这项研究为心理治疗抑郁症的客观,临床可行的决策支持工具奠定了基础.