由于该过程涉及主观性,因此筛查酒精使用障碍(AUD)患者一直具有挑战性。 因此,需要有力而客观的方法来自动化AUD患者的筛查。 在本文中,提出了一种机器学习方法,该方法利用静止状态脑电图(EEG)派生的特征作为输入数据来对AUD患者和健康对照进行分类,并对AUD患者进行自动筛查。 在这种情况下,在闭眼5分钟和睁眼5分钟期间记录了EEG数据。 为此,招募了30例AUD患者和15例年龄匹配的健康对照者。 在对脑电数据进行预处理之后,计算出脑电特征,例如半球间相干性和脑电三角洲,θ,α,β和γ谱带的光谱功率,涉及19个头皮位置。 使用基于等级的特征选择方法执行最有区别的特征的选择,该方法根据标准(即接收器工作特性曲线)为每个特征分配权重值。 例如,与重量较小的特征相比,重量较大的特征被认为与目标标签更相关。 因此,鉴定出一组减少的大多数判别特征,并将其进一步用于AUD患者和健康对照的分类中。 结果,研究组之间发现大脑区域之间的半球间连贯性显着不同,并提供了很高的分类效率(准确度= 80.8,敏感性= 82.5,特异性= 80,F-Measure = 0.78)。 此外,发现在不同EEG频段上
1