机构名称：
¥ 1.0
摘要：精神分裂症是一种与神经生物学作用相关的严重精神疾病。即使任务期间的大脑活动（即P300活动）被认为是诊断精神分裂症的生物标志物，但静止的大脑活动也有可能表现出精神分裂症中固有的功能障碍，并且可以用来了解这些患者的认知识别。在这项研究中，我们根据眼睛开发了一种机器学习算法（MLA），基于闭合静止状态脑电图（EEG）数据集，该数据集记录了在任何任务或外部刺激的情况下记录神经活动，旨在将其与健康的对照（SCZS）与健康对照（HCS）区分开来。MLA有两个步骤。在第一个步骤中，符号转移熵（Ste）是有效连通性的量度，将其应用于静止状态的脑电图数据。在第二步中，MLA使用Ste矩阵来找到一组可以成功区分SCZ与HC的功能。从结果来看，我们发现MLA可以达到96.92％的总准确度，敏感性为95％，特定的特定级别为98.57％，精度为98.33％，F1得分为0.97，仅为0.97，Matthews相关（MCC）仅使用0.94的特征，该特征是10 nirs fefters to thers to thers to thers to thers to thers to thers to thers to thers thers thers to thers to n of to thers thers thers thers thers thers to n of thers to n of thers to n.静止状态的脑电图数据可能是精神分裂症临床诊断的有前途的工具。
使用静止状态脑电图数据的有效连通性诊断精神分裂症
主要关键词
相关文件推荐
