基于功率谱密度的首发精神病静息态 EEG 分类
神经元与认知
2023-01-05 v1 机器学习
信号处理
摘要
历史上，刺激依赖的时频模式分析一直是大多数脑电图（EEG）研究的基石。与精神障碍相关的高频波在感觉和认知任务中的异常振荡已被多次研究。然而，静息态低频波段中任何显著的差异尚待确立。对 alpha 和 delta 波段波谱的分析显示了刺激无关 EEG 在识别病理脑异常活动模式中的有效性。一个融合多个频带的通用模型应更能有效地将潜在 EEG 生物标志物与首发精神病（FEP）相关联，从而实现准确诊断。我们探索了多种机器学习方法，包括随机森林、支持向量机和高斯过程分类器（GPC），以证明静息态功率谱密度（PSD）区分 FEP 患者与健康对照的实用性。本文包含对我们 PSD 分析预处理方法的全面讨论以及不同模型的详细比较。GPC 模型以 95.78% 的特异度优于其他模型，表明 PSD 可用作分析和分类精神障碍静息态 EEG 信号的有效特征提取技术。
引用
@article{arxiv.2301.01588,
title = {Power Spectral Density-Based Resting-State EEG Classification of First-Episode Psychosis},
author = {Sadi Md. Redwan and Md Palash Uddin and Anwaar Ulhaq and Muhammad Imran Sharif},
journal= {arXiv preprint arXiv:2301.01588},
year = {2023}
}
备注
10 Figures, 13 Pages