基于脑电特征的焦虑障碍患者人群机器学习分类研究

作者：冯廷炜; 任垒; 毋琳; 李丹阳; 杨伟; 张鹏; 王步遥; 王卉; 刘旭峰

来源：空军军医大学学报, 2023, 44(10): 936-941.

DOI：10.13276/j.issn.2097-1656.2023.10.005

• 焦虑障碍
• 问卷作答
• 脑电
• 机器学习

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。

• 单位
  教育科学学院; 中国人民解放军空军军医大学; 西京学院; 北京中医药大学东方学院; 新疆师范大学