如何利用静息态脑电精准区分精神疾病？

最新推荐文章于 2025-03-15 16:37:15 发布
最新推荐文章于 2025-03-15 16:37:15 发布
阅读量984 收藏 6
点赞数
分类专栏： 文献综述
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/psybrain/article/details/123626812
版权
本文回顾了过去25年关于精神疾病如抑郁症、双相情感障碍和ADHD等利用静息态脑电图频谱分析的研究。尽管发现了一些疾病间的脑电模式，但缺乏标准化和一致性的结果限制了其在临床诊断中的应用。研究强调了需要标准化方法和考虑其他因素以提高诊断准确性。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

关注“心仪脑”查看更多脑科学知识的分

关键词：世界卫生组织、精神疾病、静息态、脑电、文献综述

据2001年世界卫生组织数据，全世界约有4.5亿人患有某种形式的精神障碍或脑部疾病，每4人中就有1人在其生命中的某个时刻符合这一标准。

最近的统计数据表明，全球有3亿人患有抑郁症，6000万人患有双相情感障碍，2300万人患有精神分裂症，每160名儿童中就有1名患有自闭症，5%-7% 的儿童和青少年患有注意力缺陷多动障碍(ADHD)。

这些精神疾病的诊断标准主要基于自我对症状的描述，包括行为、认知、情感或身体障碍。例如，ADHD诊断主要基于儿童或青少年的认知和行为，而抑郁症的诊断通常关注个人情感和生理上的异常。

这些诊断标准都是基于主观判断，缺乏客观的指标。利用EEG可以寻找客观的生物指标来诊断精神疾病。

现在精神疾病研究着重于探寻脑电的不同频谱(δ: 0-4Hz、θ: 4-8Hz、α: 8-12Hz、β: 12-30Hz、γ: 30-45Hz)特征。基于频谱分析生物指标也被作为一种标准纳入美国食品药品管理局(FDA)。例

最低0.47元/天 解锁文章
脑科学磁共振成像（MRI)初学者必看——功能脑网络、小世界网络、FDR校正、脑电信号频率变换、模板、假设检验、广义线性模型、独立成分分析、影像组学、任务态和静息态方法汇总
从事脑科学核磁共振方法学研究，在Nature communications等权威期刊发表研究论文，熟练掌握磁共振处理方法和统计学方法，欢迎大家和我交流。
04-17 2万+
磁共振成像初学者必看一、浅谈功能脑网络二、不同模态脑网络的构建功能脑网络结构脑网络白质纤维束脑网络加权网络二值网络三、趣谈散点图与相关系数四、脑电信号频域变换五、fMRI中的FDR校正六、模板（mask）1、模板(mask )往往是与ROI联系在一起的2、mask作用的原理3、常见的mask七、假设检验和效果量八、组水平标准化九、由 ALFF 说开去十、计算机存取MRI影像的那些事十二、Linux基础命令十三、浅谈标准空间模板和空间变换一：标准空间模板二：空间变换十四 、 功能连接十五、大脑激活与功能连接的
儿童静息态脑电数据处理与分析的异质性
cc1609130201的博客
02-08 1040
在会进行调整的人中(N=30),对控制贡献的数据量达成了中等程度的共识(如控制分段数;有趣的是,对于支持加权程序的专家,一些报告了让更多数据的参与者在分析中占更大权重的加权程序(13%),而其他人则支持执行加权程序使所有参与者贡献大约相同的数据量(17%),7%的受访者倾向于不回答。,24%表示会在计算频带功率之后但转换会跨频带应用,24%表示会在计算频带功率之后应用转换且转换会在每个频带内进行(如对每个功率频带进行单独转换),8%表示会在列出的时间之外的其他时间应用转换,11%不确定,3%倾向于不回答。
自己采集的静息态脑电eeg数据64导
02-28
64导 采样频率1000hz 静息态脑电 Ch1=Fp1,,0.1,µV Ch2=Fp2,,0.1,µV Ch3=F3,,0.1,µV Ch4=F4,,0.1,µV Ch5=C3,,0.1,µV Ch6=C4,,0.1,µV Ch7=P3,,0.1,µV Ch8=P4,,0.1,µV Ch9=O1,,0.1,µV Ch10=O2,,0.1,µV Ch11=F7,,0.1,µV Ch12=F8,,0.1,µV Ch13=T7,,0.1,µV Ch14=T8,,0.1,µV Ch15=P7,,0.1,µV Ch16=P8,,0.1,µV Ch17=Fz,,0.1,µV Ch18=Cz,,0.1,µV Ch19=Pz,,0.1,µV Ch20=EOG,,0.1,µV Ch21=FC1,,0.1,µV Ch22=FC2,,0.1,µV Ch23=CP1,,0.1,µV Ch24=CP2,,0.1,µV Ch25=FC5,,0.1,µV Ch26=FC6,,0.1,µV Ch27=CP5,,0.1,µV Ch28=CP6,,0.1,µV Ch29=FT9,,0.1,µV Ch30=FT10,,0.1,µV Ch31=TP9,,0.1,µV Ch32=TP10,,0.1,µV Ch33=F1,,0.1,µV Ch34=F2,,0.1,µV Ch35=C1,,0.1,µV Ch36=C2,,0.1,µV Ch37=P1,,0.1,µV Ch38=P2,,0.1,µV Ch39=AF3,,0.1,µV Ch40=AF4,,0.1,µV Ch41=FC3,,0.1,µV Ch42=FC4,,0.1,µV Ch43=CP3,,0.1,µV Ch44=CP4,,0.1,µV Ch45=PO3,,0.1,µV Ch46=PO4,,0.1,µV Ch47=F5,,0.1,µV Ch48=F6,,0.1,µV Ch49=C5,,0.1,µV Ch50=C6,,0.1,µV Ch51=P5,,0.1,µV Ch52=P6,,0.1,µV Ch53=AF7,,0.1,µV Ch54=AF8,,0.1,µV Ch55=FT7,,0.1,µV Ch56=FT8,,0.1,µV Ch57=TP7,,0.1,µV Ch58=TP8,,0.1,µV Ch59=PO7,,0.1,µV Ch60=PO8,,0.1,µV Ch61=Fpz,,0.1,µV Ch62=CPz,,0.1,µV Ch63=POz,,0.1,µV Ch64=Oz,,0.1,µV
BRAIN：静息态脑电图揭示了肌萎缩性脊髓侧索硬化症的四种亚型
cc1609130201的博客
03-25 853
肌萎缩性脊髓侧索硬化症(ALS)是一种以运动系统退化为主要特征的疾病，临床证据表明，多达50%的病例出现认知和行为改变。ALS在临床上和生物学上都是异质性(一种遗传性状可以由多个不同的遗传物质改变所引起)的。目前使用临床参数进行亚分组，如症状出现的部位(延髓或脊柱)、疾病负担和家族性疾病患者的基因组学。然而，除基因组学外，这些亚分类没有考虑潜在的疾病病理生物学，不能完全预测疾病的病程或预后。 最近，我们已经证明静息状态脑电图可以可靠和定量地捕捉肌萎缩侧索硬化症中运动和认知网络的异常模式。这些网络中断已在多
脑电：频域分析(静息态)
nisidjndn的博客
03-15 354
*‌，这是因为实信号的频谱是对称的，且最高频率成分不会超过采样频率的一半。这是由奈奎斯特定律决定的，该定律指出，为了从采样信号中完全恢复原始信号，采样频率至少应该是信号中最高频率成分的两倍(fs>2f)。FFT结果是对称的，且FFT的输出在频域中是周期性的。对于一个实数信号，其频谱是共轭对称的。因此，我们只需要分析FFT结果的前半部分来获取信号的所有频率成分，所以第NFFT/2+1点的频率值是Fs/2。不去找不同的频率点下，通过点对点的方式找到差异明显的频率点，但是频段的划分依旧按照经典文献的划分方式。
静息状态脑电图节律和地形分析的建议
cc1609130201的博客
01-15 1269
在该模型中，电极“b”记录了皮层切向源“At”和皮层径向源“ABr”和“Br”产生的电场。下排左图：由于“共同驱动”的影响，源“Cr”与源“Br”和ABr”的相干激活可能导致记录在“a”和“c”电极上的rsEEG节律与记录在“b”和“a”电极上的rsEEG节律相互依赖。其次，在一项临床研究中，从相关系数、均方和相位相干性、格兰杰因果、相位同步指数、信息论、基于状态空间的指数，推导出rsEEG节律相互依赖性的线性和非线性测量，应用于轻度认知障碍(MCI)老年患者和年龄匹配对照组(Nold)受试者的记录数据。
阿尔茨海默病临床试验中静息脑电节律的测量
cc1609130201的博客
06-20 1814
电生理专业兴趣领域（EPIA）和全球大脑协会对阿尔茨海默病（AD）临床试验中候选脑电图（EEG）测量方法的推荐得到了认可。专家组审查了该领域的文献。最一致的发现是，轻度认知障碍和痴呆的AD患者在疾病进展和干预过程中，后部alpha（8-12 Hz）和广泛的delta（< 4 Hz）以及theta（4-8 Hz）节律的峰值频率、功率和“相互关联性”出现异常。达成以下共识：（1）需要对患者的指导、静息态EEG（rsEEG）记录方法以及选择无伪迹的rsEEG时段进行标准化；（2）在delta、theta和alph
静息态脑电信号谱分析 学习笔记
PEAR10X的博客
03-16 1669
1. ERP vs. 谱分析 第一列：各个trial上的原始数据； 第二列：各个试次做的叠加平均，但是仍然不明显； 第三列：经过处理过后的波形，有明显的α波出现。 2. 傅里叶变换 左图：给出的信号signal由多个样本点组成，傅里叶变换就是计算信号signal和不同频率正弦波kernel之间的点积，最后得到结果，也就是频率上的power值。 右图：反映在脑电数据处理中，信号signal对应的是给出的EEG数据，然后根据想要的频段，给出对应频段的正弦波信号，在二者之间做点..
8、静息态EEG微状态分析（上）
qq_43801989的博客
07-18 5438
提供精神/神经疾病的生理指标：对于不同的疾病而言，一个较为一致的发现是：相对正常健康被试而言，罹患上述疾病的病人某些微状态类别的持续时间变短，而另一些微状态类别的出现频率则增加。例如，通过对近15年来的精神分裂症静息态脑电微状态研究进行元分析，研究者发现精神分裂症患者微状态类别C的出现频率更高、微状态类别D的平均持续时间更短 (Rieger et al. 2016)。3、每个微状态类别的涵盖比例：它指的是每个微状态类别总的持续时间占全部静息态脑电时间长度。、如何确定地形图类别的数目：（1）强制为4个；
脑电EEG代码开源分享 【1.前置准备-静息态篇】
weixin_44425788的博客
09-22 1万+
本文档旨在归纳BCI-EEG-matlab的数据处理代码，作为EEG数据处理的总结，方便快速搭建处理框架的Baseline，实现自动化、模块插拔化、快速化。 本文以非锁时任务（无锁时刺激，如静息态、运动想象）为例，分享脑电EEG的前置准备方法。前置准备是数据处理的敲门砖，前置准备的主要功能，分为以下4部分：1. 降采样2. 数据分段3. 去暂态4. 选择导联 提示：以下为各功能代码详细介绍，若节约阅读时间，请下滑至文末的整合代码。
MICROSTATELAB：用于静息状态微状态分析的EEGLAB工具箱
cc1609130201的博客
08-18 3067
与此同时，每个EEG时段的开始和结束时的微状态识别都会受到损害，因为在时段边界处的微状态的开始或结束可能已被截断，微状态的真实时间范围仍然未知。此外，微状态分析通常假设这样的状态只有一小部分，但相当普遍和典型，这些状态可以被识别为EEG中的准稳定头皮场地形的时期。默认情况下，对于通道X的输出是当前EEG地形与微状态模板图X的点积，但只在EEG被分配给类X的时期，而在所有其他时期为零。脚本生成的数据会以标准格式保存在用户在交互式 GUI 中选择的位置（图 16B）或在脚本的第1部分中定义的位置。
静息状态与计算状态的脑电波形对比.zip
11-03
这是数十位受试者在静息状况与进行计算时的脑电波形图，可以用于生物医学信号分析
脑电信号的分段处理
05-04
脑电信号的分段处理， %分段 clear; sub_name={ % 'mgh_1_1','mgh_1_2','mgh_1_3'};%改名字 % 'kzh_1_1','kzh_1_2','kzh_1_3'}; 'mgh_1_1','mgh_1_2','mgh_1_3'}; % 'hcl_3_1','hcl_3_2','hcl_3_3','gxj_4_1','gxj_4_2','gxj_4_3',... % 'gy_5_1','gy_5_2','gy_5_3'}; % 'mss_5_1','mss_5_2','mss_5_3','yyp_6_1','yyp_6_2','yyp_6_3',... % 'gy_7_1','gy_7_2','gy_7_3','yym_8_1','yym_8_2','yym_8_3',... % 'zsn_9_1','zsn_9_2','zsn_9_3','mgh_10_1','mgh_10_2','mgh_10_3'};%改名字 for i=1:3几组数据 sub=strcat(sub_name{i},'.set'); %不改 sub_save=strcat(sub_name{i},'_epoch.set'); %不改 EEG = pop_loadset('filename',sub,'filepath','D:\BISHE\REST-RUNICA-LS\');%改路径 EEG = eeg_checkset( EEG ); EEG = eeg_regepochs(EEG, 'recurrence', 2, 'limits',[0 2], 'rmbase',NaN); EEG = pop_saveset( EEG, 'filename',sub_save,'filepath','D:\BISHE\FENDUAN-LS\');%保存，改路径 EEG = eeg_checkset( EEG ); end
年轻人和老年人静息态脑电图的重测信度
cc1609130201的博客
09-05 889
静息态脑电图(EEG)的量化涉及多种测量指标。这些包括不同频率的功率估计、微状态分析以及频率分辨的源功率和连接性分析。静息态EEG指标被广泛用于描述认知的表现和识别与年龄相关的认知衰退的心理生理学指标。所使用指标的可靠性是建立稳健的脑-行为关系和具有临床相关性的认知衰退指标的先决条件。然而,迄今为止,缺乏在同一个具有足够统计效力的数据集中,比较年轻和老年参与者之间不同静息态测量指标的重测信度检验。本预注册报告在95名年轻(年龄范围:20-35岁)和93名老年(年龄范围:60-80岁)参与者的样本中检验了重测
特征工程之特征分箱（决策树分箱、卡方分箱、bestks以及评价标准WOE和IV)
热门推荐
CarryLvan的博客
09-27 2万+
特征工程之特征分箱：决策树分箱、卡方分箱、bestks以及评价标准
Nature子刊：基于静息态EEG功能连接模式识别精神疾病亚型
悦影科技
07-13 1287
摘要：精神疾病在神经生物学和临床表征上存在异质性，基于数据驱动的疾病亚型识别有助于精神疾病的诊断和治疗，本文报告了创伤后应激障碍(PTSD)和重度抑郁障碍(MDD)两种临床相关亚型的识别，这两种疾病亚型主要通过在额顶叶控制网络（FPCN）和默认模式网络内（DMN）中稳定、有区分度的功能连接模式来建立。本文分析了四组PTSD和MDD患者数据集，在高密度静息态脑电图中重建信号，探究重建信号的能量包络连接性特征（PEC），通过有监督和无监督的机器学习确定疾病亚型，并表明这些疾病亚型在不同条件下记录的独立数据集之间
静息态脑电数据怎么分段
最新发布
03-31
### 静息态 EEG 数据分段方法与技术 静息态脑电图（Electroencephalography, EEG）数据分析通常涉及多个预处理步骤，其中包括数据分割。这一过程旨在将连续记录的信号划分为更易于管理的时间片段以便进一步分析。 #### 数据准备阶段 在开始分段之前，需确保原始数据已经过初步清理，包括去除明显的伪迹和噪声干扰[^1]。这一步骤可以通过视觉检查或自动算法完成，目的是提高后续分析的质量。 #### 使用专用软件工具实现分段操作 具体到执行层面，在某些特定的研究环境中，可以利用已有的专业软件包来简化流程。例如，通过菜单路径 `Tools >> EEG and Tracks >> Segmentation of EEG files` 可访问相应的功能模块。此选项允许研究者定义具体的参数设置以适应不同的实验需求。 #### 参数设定指南 当配置这些参数时，几个关键因素需要考虑： - **时间窗口长度**：决定每一段持续多久；较短时间段能捕捉快速变化特征而较长则有助于观察慢波活动。 - **重叠比例**：相邻两段之间是否有交集以及其程度会影响最终结果解析方式的选择。 下面展示了一个简单的Python脚本用于演示基本原理： ```python import numpy as np def segment_eeg(data, window_size=1000, overlap_ratio=0.5): segments = [] step = int(window_size * (1 - overlap_ratio)) for start in range(0, len(data)-window_size+1, step): end = start + window_size seg = data[start:end] if len(seg)==window_size: # Ensure all segments have equal length segments.append(seg) return np.array(segments) # Example usage with synthetic dataset fs = 256 # Sampling frequency Hz duration_sec = 60*5 # Duration seconds time_points = fs * duration_sec fake_signal = np.random.rand(time_points) segments_result = segment_eeg(fake_signal, window_size=int(fs), overlap_ratio=0.5) print(f"Number of generated segments:{len(segments_result)}") ``` 上述代码实现了基于固定大小滑动窗的方法来进行EEG信号切片，并支持指定覆盖率的功能调整灵活性。 #### 后续步骤建议 完成初始划分之后，可能还需要额外的数据质量控制措施比如ICA独立成分分析去噪等手段优化输入给机器学习模型之前的条件状况。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值