抑郁症和精神分裂症患者静息态脑电信号的分类研究

精神分裂症和抑郁症患者的临床表现不仅有一定的相似性,而且会随着患者情绪的变化而变化,因此容易导致临床诊断出现误诊。脑电图(EEG)分析为准确区分和诊断精神分裂症与抑郁症患者提供了重要的参考和客观依据。为了解决精神分裂症与抑郁症患者之间误诊的问题,提高区分和诊断这两类疾病的准确率,本研究提取了100名抑郁症患者和100名精神分裂症患者的静息态EEG信号特征,包括:①信息熵、样本熵、近似熵;②统计学属性;③各节律相对功率谱密度(rPSD)。然后,利用这些特征组成特征向量,结合支持向量机(SVM)和朴素贝叶斯(NB)分类器对精神分裂症和抑郁症患者进行分类研究。实验结果表明:①以各节律的rPSD组成的特征向量P的分类效果最好,平均准确率可达84.2%,最高达86.3%;②SVM的分类效果明显优于NB;③β节律的可分性最好,准确率最高,可达76%;④特征权重较大的电极主要集中在额叶和顶叶。本研究结果表明,SVM结合各节律rPSD组成的特征向量P组成的分类模型,对精神分裂症和抑郁症患者的区分具有较好的效果,或可对相关的临床诊断起到一定的辅助作用。