Implications of Aperiodic and Periodic EEG Components in Classification of Major Depressive Disorder from Source and Electrode Perspectives
Notice bibliographique
Résumé
Electroencephalography (EEG) is useful for studying brain activity in major depressive disorder (MDD), particularly focusing on theta and alpha frequency bands via power spectral density (PSD). However, PSD-based analysis has often produced inconsistent results due to difficulties in distinguishing between periodic and aperiodic components of EEG signals. We analyzed EEG data from 114 young adults, including 74 healthy controls (HCs) and 40 MDD patients, assessing periodic and aperiodic components alongside conventional PSD at both source and electrode levels. Machine learning algorithms classified MDD versus HC based on these features. Sensor-level analysis showed stronger Hedge's g effect sizes for parietal theta and frontal alpha activity than source-level analysis. MDD individuals exhibited reduced theta and alpha activity relative to HC. Logistic regression-based classifications showed that periodic components slightly outperformed PSD, with the best results achieved by combining periodic and aperiodic features (AUC = 0.82). Strong negative correlations were found between reduced periodic parietal theta and frontal alpha activities and higher scores on the Beck Depression Inventory, particularly for the anhedonia subscale. This study emphasizes the superiority of sensor-level over source-level analysis for detecting MDD-related changes and highlights the value of incorporating both periodic and aperiodic components for a more refined understanding of depressive disorders.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 tête enseignante, 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 ».