静息态EEG用于抑郁识别的生物标记物研究
信号处理
2020-02-26 v1 机器学习
机器学习
摘要
背景：抑郁症已成为全球主要健康负担，有效的抑郁症检测是一项重大公共卫生挑战。这项基于脑电图（EEG）的研究旨在探索用于抑郁识别的有效生物标记物。方法：使用128通道HydroCel Geodesic Sensor Net（HCGSN）从24名重性抑郁障碍患者（MDD）和29名正常对照者采集静息态EEG数据。为更好识别抑郁症，我们提取了包括线性特征、非线性特征以及功能连接特征相位滞后指数（PLI）在内的不同类型EEG特征，以综合分析MDD患者的EEG信号。并使用不同的特征选择方法和分类器评估最优特征集。结果：功能连接特征PLI优于线性特征和非线性特征。当联合所有类型特征对MDD患者分类时，使用ReliefF特征选择方法和逻辑回归（LR）分类器可获得最高分类准确率82.31%。分析最优特征集分布发现，PLI的半球内连接边远多于半球间连接边，且半球内连接边在两组间存在显著差异。结论：功能连接特征PLI在抑郁识别中发挥重要作用。尤其，PLI的半球内连接边可能是识别抑郁症的有效生物标记物。统计结果表明MDD患者左半球可能存在功能异常。
引用
@article{arxiv.2002.11039,
title = {A study of resting-state EEG biomarkers for depression recognition},
author = {Shuting Sun and Jianxiu Li and Huayu Chen and Tao Gong and Xiaowei Li and Bin Hu},
journal= {arXiv preprint arXiv:2002.11039},
year = {2020}
}