EEG와 앙상블 학습 통합을 통한 일반화된 불안 장애의 정확한 등급 및 정량화: 새로운 진단 접근법

현재 일반화된 불안 장애(GAD)에 대한 평가는 종종 주관적이며 GAD를 심각도 수준에 따라 평가할 수 있는 표준화된 측정에 의존하지 않습니다. 객관적이며 다단계 정량적 진단 기준의 부족은 개인화된 치료 전략에 대한 중요한 도전 과제가 됩니다. 이러한 필요를 해결하기 위해, 본 연구는 EEG와 앙상블 학습을 통합하여 GAD의 등급 및 정량화 진단 모델을 수립하는 것을 목표로 합니다. 이 맥락에서 총 39명의 정상_subject와 80명의 GAD 환자가 모집되고 정상 대조군, 경증 GAD, 중등도 GAD, 중증 GAD의 네 그룹으로 나뉘었습니다. 모든 피험자에 대해 10분간의 안정 상태 EEG 데이터가 수집되었습니다. 각 EEG 세그먼트에서 서로 다른 시간 창을 사용하여 기능적인 연결 특성이 추출되었습니다. 그런 다음 GAD 분류 연구 및 뇌 메커니즘 분석을 위해 앙상블 학습이 적용되었습니다. 결과적으로, 10초 시간 창을 가진 Catboost 모델이 4단계 분류에서 98.1%의 인상적인 정확도를 달성했습니다. 특히, 전두엽과 측두엽 사이에 위치한 기능적 연결이 다른 지역보다 유의미하게 더 많았으며, 베타 리듬이 가장 두드러졌습니다. 이 연구의 분석 프레임워크와 결과는 GAD의 임상 진단에서 인공지능의 응용에 대한 상당한 증거를 제공합니다.