DOI: https://doi.org/10.3389/fpsyt.2025.1624997
PMID: https://pubmed.ncbi.nlm.nih.gov/41601517
تاريخ النشر: 2026-01-12
المؤلف: Xiaodong Luo وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تقدم هذه البحث إطار عمل مدفوع بالخوارزميات لتشخيص اضطراب الاكتئاب (DD) باستخدام ميزات تخطيط الدماغ الكهربائي (EEG) متعددة الأبعاد. نظرًا لعدم وجود علامات حيوية موضوعية لـ DD، تستخدم الدراسة إشارات EEG في حالة الراحة من 70 مريضًا مصابًا بـ DD و30 ضابطًا صحيًا (HC) لاستخراج ميزات عصبية في ثلاثة أبعاد، بما في ذلك كثافة الطيف الترددي (PSD)، واعتلال العينة (SE)، ومؤشر تأخر الطور (PLI). يستخدم الإطار آلة دعم المتجهات مع الإزالة التكرارية للميزات (SVM-RFE) لتحسين اختيار الميزات، محققًا دقة تصنيف ملحوظة تبلغ 94.48% مع نوافذ زمنية مدتها 10 ثوانٍ، متجاوزًا الطرق التشخيصية التقليدية.
تكشف النتائج الرئيسية أن التغيرات في إيقاع بيتا وأنماط الاتصال الوظيفي عبر الترددات تعمل كعلامات حيوية حاسمة لتمييز مرضى DD عن HC. تؤكد الدراسة على أهمية دمج الخصائص الطيفية وغير الخطية والديناميكية على مستوى الشبكة في اختيار الميزات، مما يعالج القيود في قابلية التكرار والتطبيق السريري للطرق التشخيصية الحالية. لا يسهل هذا الإطار التشخيص الموضوعي عالي الدقة فحسب، بل يوفر أيضًا رؤى حول الأسس العصبية الفسيولوجية لـ DD، مع تسليط الضوء بشكل خاص على تزامن الطور الشاذ كعلامة عصبية ديناميكية هامة. بشكل عام، يعزز النموذج المقترح الطب النفسي الدقيق القائم على EEG، مقدمًا بروتوكولًا موثقًا لمراقبة العلاج واستراتيجيات العلاج الشخصية في إدارة اضطرابات المزاج.
مقدمة
تتناول مقدمة ورقة البحث التحدي الكبير في الصحة العامة الذي يطرحه اضطراب الاكتئاب (DD)، والذي يؤثر على حوالي 280 مليون فرد على مستوى العالم وقد شهد زيادة بنسبة 50% في الحالات الجديدة على مدى العقود الثلاثة الماضية. يتميز DD بمزاج منخفض مستمر، وفقدان الاهتمام، وانخفاض الطاقة، مما يؤدي إلى آثار خطيرة على رفاهية الأفراد والأعباء الاقتصادية على المجتمع. الطرق التشخيصية الحالية، التي تعتمد بشكل أساسي على المقابلات السريرية الذاتية والتقييمات النفسية، تعاني من تحديات، بما في ذلك التشخيص الخاطئ وتأخير العلاج، مما يبرز الحاجة الملحة لتقنيات تشخيص موضوعية.
تسلط الورقة الضوء على إمكانيات تقنية تخطيط الدماغ الكهربائي (EEG)، خاصة عندما يتم دمجها مع خوارزميات التعلم الآلي، لتعزيز تحديد العلامات الحيوية الخاصة بالمرض لـ DD. تناقش القيود التي تواجه طرق التحليل الخطية التقليدية في التقاط تعقيد إشارات EEG وتؤكد على الأهمية المتزايدة للميزات متعددة الأبعاد، بما في ذلك المقاييس غير الخطية مثل اعتلال العينة (SE) ومؤشر تأخر الطور (PLI). تقترح الدراسة إطار عمل جديد للتعلم الآلي يقوم بتحسين معلمات نافذة الزمن ويجمع بين ميزات EEG المختلفة لتحسين دقة التشخيص لـ DD. من خلال استخدام نهج التحقق المتبادل بترك واحد خارجًا، تهدف الدراسة إلى تحديد العلامات العصبية الحيوية الرئيسية لـ DD، مما يعزز دقة اكتشافه ويساهم في تحسين نتائج المرضى.
طرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. توضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية، ومعدات، وعينات بيولوجية، مما يضمن إمكانية تكرار التجارب. يتم وصف الطرق بشكل منهجي، تغطي البروتوكولات لجمع البيانات، وتقنيات التحليل، وأي طرق إحصائية تم تطبيقها لتفسير النتائج.
بالإضافة إلى ذلك، قد يتضمن القسم معلومات عن الظروف التجريبية، مثل درجة الحرارة، والمدة، وأي ضوابط تم تنفيذها للتحقق من النتائج. من خلال تقديم نظرة شاملة على المنهجيات، يؤسس هذا القسم الأساس للنتائج المقدمة في الدراسة، مما يسمح بالتقييم النقدي وإمكانية التكرار من قبل باحثين آخرين في هذا المجال.
نتائج
في هذه الدراسة، تم تقييم مجموعة متنوعة من مصنفات التعلم الآلي، بما في ذلك SVM، CatBoost، XGBoost، LightGBM، RF، وKNN، باستخدام إطار عمل ترك واحد خارجًا للتفريق بين المرضى الذين يعانون من اضطرابات تنموية (DD) وضوابط صحية (HC). أظهرت النتائج أن XGBoost حقق أعلى دقة لنوع ميزة PSD بنسبة 80.33±29.77%، بينما تفوق SVM في تصنيف SE بدقة 63.82±26.30% وPLI بدقة 89.00±21.37%. ومن الجدير بالذكر أنه عند دمج جميع أنواع الميزات الثلاثة، وصلت دقة SVM إلى 89.95±20.44%.
كشفت التحليلات الإضافية لمقاييس أداء المصنف أن PLI كانت الميزة الفردية الأكثر فعالية، حيث حققت استرجاعًا بنسبة 91.36%، ودقة بنسبة 93.01%، ودرجة F1 بنسبة 92.18%، وAUC بنسبة 95.32%، ودقة بنسبة 89.00% (95% CI: 88.03-89.97%). عزز نموذج الميزات المدمجة هذه المقاييس، محققًا استرجاعًا بنسبة 93.99%، ودقة بنسبة 93.26%، ودرجة F1 بنسبة 93.63%، وAUC بنسبة 96.49%، وأعلى دقة بنسبة 90.90% (95% CI: 90.01-91.79%). بالإضافة إلى ذلك، أظهرت الدراسة أن طريقة زيادة بيانات CCR المقترحة حسنت بشكل كبير من أداء التصنيف، خاصة في معالجة عدم توازن الفئات، حيث ارتفعت الدقة لمجموعة الميزات المدمجة المثلى من 85.01±30.37% (غير CCR) إلى 89.95±20.44% (CCR). كما أظهرت التحليلات أن دقة التصنيف تحسنت مع نوافذ زمنية أطول، حيث بلغت ذروتها عند 10 ثوانٍ قبل أن تنخفض عند 12 ثانية.
مناقشة
تستكشف الدراسة استخدام التعلم الآلي لتعزيز تشخيص اضطراب الاكتئاب (DD) من خلال تحليل بيانات EEG. شمل المشاركون 70 مريضًا مصابًا بـ DD و30 ضابطًا صحيًا (HC)، تم فحصهم جميعًا من أجل الحالات النفسية والبدنية. تم جمع بيانات EEG باستخدام إعداد موحد، مما يضمن جودة إشارة عالية من خلال خطوات معالجة صارمة، بما في ذلك التصفية، وتقليل العينة، وتصحيح الأساس، وإزالة الشوائب، وتقسيم البيانات. استخدم التحليل نهج استخراج ميزات متعددة الأبعاد، مع التركيز على ميزات كثافة الطيف الترددي (PSD)، واعتلال العينة (SE)، ومؤشر تأخر الطور (PLI)، والتي أظهرت فعاليتها في التمييز بين DD وHC.
تشير النتائج الرئيسية إلى أن نافذة زمنية ثابتة مدتها 10 ثوانٍ توازن بشكل مثالي بين استقرار تمثيل ميزات EEG والطبيعة شبه الثابتة لإشارات EEG، مما يؤدي إلى تحسين دقة التصنيف. تبرز الدراسة أن دمج ميزات EEG المتعددة، خاصة تلك المستمدة من PLI، يكشف عن اضطرابات كبيرة في الاتصال الوظيفي المرتبطة بـ DD. بالإضافة إلى ذلك، فإن تطبيق آلة دعم المتجهات مع الإزالة التكرارية للميزات (SVM-RFE) يقلل بشكل فعال من تكرار الميزات عالية الأبعاد، مما يعزز قابلية تعميم النموذج. بشكل عام، تؤكد الأبحاث على إمكانيات أطر التعلم الآلي في الطب النفسي الحسابي، مقدمة منهجية قوية لتحديد التوقيعات العصبية الفسيولوجية للاكتئاب.
القيود
تعترف الدراسة بعدة قيود قد تؤثر على قوة نتائجها. أولاً، تتكون مجموعة البيانات من 100 موضوع فقط، حيث تم تشخيص 70 منهم باضطرابات تنموية (DD) و30 ضابطًا صحيًا (HC). تشير هذه العينة المحدودة إلى الحاجة إلى أبحاث مستقبلية تشمل مجموعة أكبر لتحسين موثوقية الطريقة التشخيصية لـ DD.
بالإضافة إلى ذلك، تم جمع بيانات تخطيط الدماغ الكهربائي (EEG) باستخدام مجموعة سريرية مكونة من 16 قناة، مما قد يحد من الدقة المكانية مقارنةً بالأنظمة ذات الكثافة الأعلى التي تستخدم من 32 إلى 64 قناة. على الرغم من أن إعداد الـ 16 قناة يمثل الممارسات السريرية القياسية ويعكس أنماط الطيف والاتصال المهمة بشكل فعال، يُوصى بمزيد من التحقق من الإطار المقترح باستخدام تسجيلات EEG ذات الكثافة الأعلى لتعزيز دقة وملاءمة النتائج.
DOI: https://doi.org/10.3389/fpsyt.2025.1624997
PMID: https://pubmed.ncbi.nlm.nih.gov/41601517
Publication Date: 2026-01-12
Author(s): Xiaodong Luo et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
This research presents a novel algorithm-driven framework for diagnosing depressive disorder (DD) using multidimensional electroencephalogram (EEG) features. Given the absence of objective biomarkers for DD, the study utilizes resting-state EEG signals from 70 DD patients and 30 healthy controls (HC) to extract three-dimensional neurophysiological features, including power spectral density (PSD), sample entropy (SE), and phase lag index (PLI). The framework employs a support vector machine with recursive feature elimination (SVM-RFE) to optimize feature selection, achieving a remarkable classification accuracy of 94.48% with 10-second time windows, surpassing traditional diagnostic methods.
Key findings reveal that alterations in beta rhythm and cross-frequency functional connectivity patterns serve as critical biomarkers for distinguishing DD patients from HC. The study emphasizes the importance of integrating spectral, nonlinear dynamic, and network-level characteristics in feature selection, thereby addressing limitations in the replicability and clinical applicability of existing diagnostic approaches. This framework not only facilitates high-precision objective diagnosis but also provides insights into the neurophysiological underpinnings of DD, particularly highlighting aberrant phase synchronization as a significant neurodynamic signature. Overall, the proposed model advances EEG-based precision psychiatry, offering a validated protocol for therapeutic monitoring and personalized treatment strategies in mood disorder management.
Introduction
The introduction of the research paper addresses the significant public health challenge posed by depressive disorder (DD), which affects approximately 280 million individuals globally and has seen a 50% increase in new cases over the past three decades. DD is characterized by persistent low mood, loss of interest, and decreased energy, leading to severe implications for both individual well-being and societal economic burdens. The current diagnostic methods, primarily reliant on subjective clinical interviews and psychological assessments, are fraught with challenges, including misdiagnosis and delayed treatment, underscoring the urgent need for objective diagnostic techniques.
The paper highlights the potential of electroencephalogram (EEG) technology, particularly when integrated with machine learning algorithms, to enhance the identification of disease-specific biomarkers for DD. It discusses the limitations of traditional linear analysis methods in capturing the complexity of EEG signals and emphasizes the growing importance of multidimensional features, including nonlinear metrics such as sample entropy (SE) and phase lag index (PLI). The study proposes a novel machine learning framework that optimizes temporal window parameters and combines various EEG features to improve diagnostic accuracy for DD. By employing a leave-one-out cross-validation approach, the research aims to identify key neurobiological markers of DD, thereby enhancing the precision of its detection and contributing to better patient outcomes.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including any reagents, equipment, and biological samples, ensuring reproducibility of the experiments. The methods are described systematically, covering the protocols for data collection, analysis techniques, and any statistical methods applied to interpret the results.
Additionally, the section may include information on the experimental conditions, such as temperature, duration, and any controls implemented to validate the findings. By providing a comprehensive overview of the methodologies, this section establishes the foundation for the results presented in the study, allowing for critical evaluation and potential replication by other researchers in the field.
Results
In this study, various machine learning classifiers, including SVM, CatBoost, XGBoost, LightGBM, RF, and KNN, were evaluated using a leave-one-out framework to differentiate between patients with developmental disorders (DD) and healthy controls (HC). The results indicated that XGBoost achieved the highest accuracy for the PSD feature type at 80.33±29.77%, while SVM excelled in classifying SE with an accuracy of 63.82±26.30% and PLI with 89.00±21.37%. Notably, when combining all three feature types, SVM reached an accuracy of 89.95±20.44%.
Further analysis of classifier performance metrics revealed that PLI was the most effective single feature, yielding a Recall of 91.36%, Precision of 93.01%, F1-score of 92.18%, AUC of 95.32%, and Accuracy of 89.00% (95% CI: 88.03-89.97%). The combined feature model enhanced these metrics, achieving a Recall of 93.99%, Precision of 93.26%, F1-score of 93.63%, AUC of 96.49%, and the highest Accuracy of 90.90% (95% CI: 90.01-91.79%). Additionally, the study demonstrated that the proposed CCR data augmentation method significantly improved classification performance, particularly in addressing class imbalance, with accuracy for the optimal combined feature set rising from 85.01±30.37% (non-CCR) to 89.95±20.44% (CCR). The analysis also indicated that classification accuracy improved with longer time windows, peaking at 10 seconds before declining at 12 seconds.
Discussion
The study investigates the use of machine learning to enhance the diagnosis of depressive disorder (DD) through EEG data analysis. Participants included 70 patients with DD and 30 healthy controls (HC), all screened for psychiatric and physical conditions. The EEG data were collected using a standardized setup, ensuring high signal quality through rigorous preprocessing steps, including filtering, downsampling, baseline correction, artifact removal, and data segmentation. The analysis employed a multidimensional feature extraction approach, focusing on power spectral density (PSD), sample entropy (SE), and phase lag index (PLI) features, which have been shown to effectively differentiate between DD and HC.
Key findings indicate that a fixed 10-second time window optimally balances the stability of EEG feature representation and the quasi-stationary nature of EEG signals, leading to improved classification accuracy. The study highlights that integrating multiple EEG features, particularly those derived from PLI, reveals significant functional connectivity disruptions associated with DD. Additionally, the application of support vector machine recursive feature elimination (SVM-RFE) effectively reduces high-dimensional feature redundancy, enhancing model generalizability. Overall, the research underscores the potential of machine learning frameworks in computational psychiatry, providing a robust methodology for identifying neurophysiological signatures of depression.
Limitations
The study acknowledges several limitations that may impact the robustness of its findings. Firstly, the dataset consists of only 100 subjects, with 70 diagnosed with developmental disorders (DD) and 30 healthy controls (HC). This limited sample size suggests a need for future research to incorporate a larger cohort to improve the reliability of the diagnostic method for DD.
Additionally, the electroencephalography (EEG) data were collected using a 16-channel clinical montage, which may restrict the spatial resolution compared to higher-density systems that utilize 32 to 64 channels. While the 16-channel setup is representative of standard clinical practices and effectively captures significant spectral and connectivity patterns, further validation of the proposed framework with higher-density EEG recordings is recommended to enhance the accuracy and applicability of the results.