基于脑电图的机器学习方法来筛查酒精使用障碍

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