一种新的深度学习模型,用于客观量化使用EEG功能连接的泛性焦虑症严重程度
Xiaodong Luo1, Yuhuan Cui2, Zihao Yan2
1The Second Hospital of Jinhua, Jinhua, China.
Frontiers in psychiatry
|March 6, 2026
概括
这项研究开发了一种脑电图 (EEG) 深度学习模型,以使用功能连接客观地测量通用焦虑症 (GAD) 严重程度. 该模型准确地预测了焦虑得分,为个性化治疗提供了潜在的工具.
科学领域:
- 神经科学是一个神经科学.
- 精神病学是一个精神病学.
- 计算神经科学是一种神经科学.
背景情况:
- 一般性焦虑障碍 (GAD) 的评估依赖于主观方法,缺乏客观的神经生物学标志物.
- 需要可靠,客观的工具来量化GAD严重程度,以便有效的治疗计划.
研究的目的:
- 开发一个深度学习 (DL) 模型,使用脑电图 (EEG) 功能连接 (FC) 来客观量化 GAD 严重程度.
- 评估模型在预测汉密尔顿焦虑评分表 (HAM-A) 成绩方面的表现.
主要方法:
- 从80名GAD患者和39名健康对照人群中收集了休息状态EEG数据.
- 从EEG段中提取了带限FC特征,并用于训练一个卷积封闭多层感知子 (Conv_gMLP) 模型.
- 该模型连续预测了HAM-A总分.
主要成果:
- 在预测HAM-A分数时,Conv_gMLP模型实现了0.32 ± 0.07的平均绝对误差,超过了其他机器学习和DL模型.
- 特征归因突出了前-连接在贝塔频率范围内对GAD严重性预测的重要性.
- EEG FC和β节律包含关于GAD严重程度的临床相关信息.
结论:
- 基于EEG的DL模型,特别是Conv_gMLP,显示了客观和高效的GAD严重性评估的前景.
- 这些发现支持使用神经生物学标志物进行个性化焦虑障碍治疗规划.
