基于焦虑障碍患者及高危人群的脑电图研究

目的探讨焦虑障碍患者及高危人群脑电特征,为军队征兵心理选拔及多质融合理论提供客观支持。方法招募焦虑障碍患者(焦虑障碍组,n=38)、焦虑障碍高危者(焦虑高危组,n=39)及健康人(正常组,n=38)并收集其脑电数据,使用eeglab软件对3组被试的多质融合指标[功率谱密度(PSD)、时频幅值、功能连接)进行分析,考察PSD、加权相位延迟指数(wPLI)能否用作评估焦虑障碍的脑异常指标;采用Python 2.0 Scikit-Learn包的支持向量机与K近邻分类器对3组被试进行二分类。结果在δ、θ和α低频频段,3组被试PSD差异显著。PSD在δ频段组间主效应差异有统计学意义(F=97.55,P<0.001),焦虑障碍组(6.16±0.61)>焦虑高危组(5.22±0.73)>正常组(3.36±0.06);PSD在θ频段组间主效应差异有统计学意义(F=65.87,P<0.001),焦虑障碍组(2.25±0.07)>焦虑高危组(2.23±0.08)>正常组(1.34±0.39);PSD在α频段组间主效应差异有统计学意义(F=178.73,P<0.001),焦虑障碍组(2.02±0.45)>焦虑高危组(1.94±0.57)>正常组(0.98±0.02)。在β1、β2及γ高频频段,焦虑高危组前额叶(FP1、FP2)和颞叶(T3、T4)区PSD有上升波动。在β1频段焦虑障碍组与正常组的wPLI分别在TP7-FC3电极对(t=2.45,P<0.05)与T5-FC3电极对(t=-3.01,P<0.05)的差异有统计学意义。结合行为学、频域、时频和功能连接4种特征筛选指标应用于机器学习,多质融合指标较单纯行为学指标识别焦虑高危者与正常人的准确率从75.00%提高到82.61%。结论利用机器学习对脑电指标进行分类,结合多质融合理论可作为提高区分焦虑障碍人群的潜在特征,在未来征兵心理选拔与临床评估中具有前瞻性意义。

基于脑电特征的焦虑障碍患者人群机器学习分类研究

目的探讨焦虑障碍患者在问卷作答、睁眼闭眼时的脑电(EEG)特征指标,为军队心理选拔及多质融合理论提供技术支持。方法收集被试54人,分为焦虑障碍组(24人)和正常组(30人)。通过对两组人群频域分析,发现功率谱密度(PSD)可以用于评估焦虑障碍患者的脑异常情况。结果①低频段两组人群PSD幅值差异显著,焦虑障碍组高于正常组。②在睁眼状态下全频段显著,且在alpha频段出现睁眼抑制效应。③通过机器学习的方法对人群进行分类,在识别率上多质融合指标比单一行为学指标提高了5%。结论焦虑障碍组高危人群不满足诊断为焦虑障碍的标准,但在临床上易诱发为焦虑障碍,利用机器学习对EEG频域指标进行特征提取及人群分类,可以提高对焦虑障碍人群的识别力,在未来人员选拔与临床评估中具有前瞻意义。