基于稳定性的脑电图（EEG）连接特征选择方法在精神疾病分类中的应用：一种基于网络的机器学习方法

《CNS Neuroscience & Therapeutics》：Stability-Driven Selection of EEG Connectivity Features for Psychosis Classification: A Network-Based Machine Learning Approach

　　

摘要

研究目标

开发一个基于网络的机器学习框架，利用脑电图（EEG）的连接特征对精神疾病进行分类，并通过稳定性驱动的方法识别稳定、可复制的候选标志物。

研究方法

本研究采用横断面分析方法，对一个公开可用的EEG数据集进行了二次数据分析，该数据集包含43名参与者（19名精神疾病患者，24名对照组）。从不同频率带中提取了功能连接性指标（如PLV和相干性）以及图论网络特征。研究采用了分层的交叉验证方法，并通过排列重要性（Permutation Importance）和SHAP算法评估了特征的重要性，同时计算了稳定性得分以确定稳健的特征。分类任务使用了支持向量机（SVM）和随机森林（RF）模型来完成。

研究结果

SVM模型的表现更为优异（准确率：91.2%，AUC：0.967）。稳定性分析表明，θ波段的连接特征（尤其是额顶叶PLV和全局效率）是最可靠且具有区分能力的指标。SHAP分析进一步证实了这些特征在不同受试者中的稳定性。然而，鉴于样本量相对较小且仅使用了单一数据集，这些发现仍属于探索性结果。

结论

基于稳定连接性特征的网络指标为精神疾病分类提供了可解释且稳健的EEG标志物。所提出的框架提高了研究的可重复性，并展示了基于EEG的工具在临床筛查中的潜力，同时也强调了外部验证的必要性。

https://openneuro.org/datasets/ds004000/versions/1.0.0。该数据集名为《Fribourg Ultimatum Game in Schizophrenia Study》，包含了43名参与者（19名精神疾病患者和24名健康对照组）的基于任务的EEG记录。所有数据均在瑞士弗里堡大学收集，符合伦理审批要求（参考编号：054/13-CER-FR），并以BIDS格式共享。本文中的分析均基于这个公开可用的数据集进行。