EEG microstate features for schizophrenia classification
Notice bibliographique
Résumé
Electroencephalography (EEG) microstate analysis is a method wherein spontaneous EEG activity is segmented at sub-second levels to analyze quasi-stable states. In particular, four archetype microstates and their features are known to reflect changes in brain state in neuropsychiatric diseases. However, previous studies have only reported differences in each microstate feature and have not determined whether microstate features are suitable for schizophrenia classification. Therefore, it is necessary to validate microstate features for schizophrenia classification. Nineteen microstate features, including duration, occurrence, and coverage as well as thirty-one conventional EEG features, including statistical, frequency, and temporal characteristics were obtained from resting-state EEG recordings of 14 patients diagnosed with schizophrenia and from 14 healthy (control) subjects. Machine-learning based multivariate analysis was used to evaluate classification performance. EEG recordings of patients and controls showed different microstate features. More importantly, when differentiating among patients and controls, EEG microstate features outperformed conventional EEG ones. The performance of the microstate features exceeded that of conventional EEG, even after optimization using recursive feature elimination. EEG microstate features applied with conventional EEG features also showed better classification performance than conventional EEG features alone. The current study is the first to validate the use of microstate features to discriminate schizophrenia, suggesting that EEG microstate features are useful for schizophrenia classification.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».