基于EEG微态功能连接的抑郁症识别研究

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) 的诊断依赖于主观的标准.
• 需要MDD的客观生物标志物来提高诊断准确度.
• 脑电图 (EEG) 提供了一个对大脑活动的非侵入性窗口.

研究的目的:

• 通过使用EEG微态分析,在MDD患者和健康对照者 (HC) 之间调查动态功能连接的差异.
• 开发和验证一种用于识别使用EEG衍生网络特征的MDD的分类方法.
• 通过客观的生理指标来提高抑郁症识别的有效性.

主要方法:

• 结合了EEG微态分析与功能连接网络构建.
• 分析了来自19名MDD患者和17名HC患者的静止状态EEG数据.
• 从从微状态A和C衍生的相锁定值 (PLV) 网络中提取的拓特征 (节点度,聚类系数,局部/全球效率).
• 结合了显著的群体歧视性网络特征,并使用SVM,BP和KNN模型评估了分类性能.

主要成果:

• 来自微态C的网络特征显示出优越的区分能力.
• 节点度特征在个别拓属性中显示了最高的精度.
• 该K-最近邻居 (KNN) 模型使用节点度实现了96.48%的准确性.
• 整合了全面的EEG信息的融合特征集,在所有模型中将分类准确度提高到97.35%.

结论:

• 动态大脑网络分析有效地区分了MDD患者和HC患者.
• 这项研究为了解抑郁症中的大脑区域动态提供了基础.
• 来自EEG的客观生理指标显示了MDD诊断的潜力.