BMC Psychiatry· 2026Q1
Major depresif bozukluğun makine öğrenmesi ile sınıflandırılması için EEG mikro durum dinamikleri ve kaynak-uzay fonksiyonel bağlantı özellikleri
EEG microstate dynamics and source-space functional connectivity features for machine learning classification of major depressive disorder
- 1atıf
- Q1SCImago
- 2026yıl
Kısa özet
EEG mikro durum geçişlerinin (D'den B'ye olasılığının artması) ve varsayılan mod/belirginlik ağı bağlantısındaki değişikliklerin bir kombinasyonu, SVM kullanılarak majör depresif bozukluk (MDB) hastalarını sağlıklı kontrollerden sınıflandırmada %81.0 doğruluk elde etti.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- MDB hastaları, sağlıklı kontrollere kıyasla EEG mikro durum D'den B'ye geçiş olasılığında anlamlı bir artış gösterdi (PFDR = 0.048).
- MDB hastalarında varsayılan mod ağı (DMN) içinde ve DMN ile belirginlik ağı (SN) arasında, birden çok frekans bandında (delta, teta, alfa, beta) fonksiyonel bağlantıda değişiklikler gözlemlendi.
- Bir destek vektör makinesi (SVM) sınıflandırıcısı, yalnızca mikro durum özellikleriyle %66.7, yalnızca fonksiyonel bağlantı özellikleriyle %76.2 ve her ikisinin bir kombinasyonuyla %81.0 doğruluk elde etti.
- Bulgular, EEG mikro durum dinamikleri ve kaynak-uzay fonksiyonel bağlantısının entegrasyonunun MDB'nin objektif tanısını iyileştirmek için umut verici bir yaklaşım sunduğunu düşündürmektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Abstract Background: Diagnosis of depressive disorders (DD) primarily heavily relies on clinical interviews and subjective symptom reporting, highlighting the urgent need for objective biomarkers. This study aimed to identify novel electroencephalogram (EEG) features, utilizing high-density EEG and source localization techniques, to aid in the diagnosis of DD. Methods: Resting-state EEG data were collected from 115 patients with DD and 43 healthy controls (HCs). Microstate analysis and functional connectivity (FC) analysis were performed to extract EEG features. Statistical analyses were conducted to compare group differences, and a support vector machine (SVM) algorithm was applied to evaluate the diagnostic accuracy of these features. Results: Compared to HCs, DD patients showed a significant increased transition probability from microstate D to B (PFDR = 0.048). Additionally, significant elevations in FC within specific regions of the default mode network (DMN) were observed in the delta-band, theta-band, and beta-band (P < 0.05), as well as between parts of the DMN and the salience network (SN) in the theta-band and alpha-band (P < 0.05). However, none of these FC features survived after FDR correction (PFDR > 0.05). The classification accuracies for distinguishing DD patients from HCs using the SVM classifier were 66.7%, 76.2%, and 81.0% based on microstate features, FC features, and a combination of both, respectively. Conclusions: Patients with DD exhibited distinctive microstates and atypical alterations in brain network connectivity. Integrating these features with machine learning algorithms offers a promising approach to improving the objective diagnosis of DD. Trial registration: The study was registered on http://www.chictr.org.cn/ and the registration number was ChiCTR2200057365 (registration date: March 9, 2022).
Yazarların özeti; kaynağından alınmıştır. BMC Psychiatry, 2026 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Bilişsel Sinirbilim
Cognitive NeuroscienceNeuroscience