通过大脑情绪反应准确检测帕金森病 - 神经科学新闻

概括：一项新研究通过使用脑电图和人工智能分析大脑对情绪刺激的反应，在检测帕金森病方面取得了近乎完美的准确性。研究人员发现，帕金森症患者处理情绪的方式不同，他们难以识别恐惧、厌恶和惊讶，并且更关注情绪强度而不是效价。

使用机器学习分析了 20 名患者和 20 名健康对照者的脑电图数据，诊断准确性的 F1 得分为 0.97。这一突破提供了一种非侵入性、客观的诊断方法，有可能彻底改变帕金森病的早期检测和治疗。

主要事实

• 诊断准确度：基于脑电图的情绪分析在识别帕金森病方面取得了 0.97 F1 分数。
• 情绪模式：帕金森病患者更能识别情绪的唤起而不是效价，常常混淆对立的情绪。
• 人工智能集成：机器学习框架处理脑电图数据，以高精度区分患者和对照组。

来源：智能计算

堪培拉大学和科威特科学技术学院的联合研究小组通过分析大脑对观看视频剪辑或图像等情绪情况的反应，以近乎完美的精度实现了对帕金森病的突破性检测。

这些发现提供了一种客观的方法来诊断使人衰弱的运动障碍，而不是依赖于临床专业知识和患者的自我评估，有可能增强帕金森病患者的治疗选择和整体福祉。

该研究于 10 月 17 日发表在 智能计算，科学合作期刊，发表了一篇题为“探索基于脑电图的帕金森病情感分析和检测”的文章。

他们的情绪大脑分析侧重于帕金森病患者和健康人之间内隐情绪反应的差异，人们普遍认为帕金森病患者在识别情绪方面存在障碍。

研究小组证明，仅根据情绪反应的脑部扫描读数，他们就可以识别 F1 分数为 0.97 或更高的患者和健康个体。

仅从脑电波数据来看，这种诊断性能就非常接近 100% 的准确度。F1 分数是一个结合了精确度和召回率的指标，其中 1 是最佳可能值。

结果表明，帕金森病患者表现出特定的情绪感知模式，他们对情绪唤起的理解比对情绪效价的理解更好，这意味着他们更容易适应情绪的强度，而不是这些情绪的愉快或不愉快。

研究还发现，患者在识别恐惧、厌恶和惊讶方面最为困难，或者混淆相反价态的情绪，例如将悲伤误认为幸福。

研究人员记录了脑电图（EEG）数据，测量了 20 名帕金森病患者和 20 名健康对照者的脑电活动。

参与者观看旨在引发情绪反应的视频剪辑和图像。

记录脑电图数据后，处理多个脑电图描述符以提取关键特征，并将这些特征转换为视觉表示，然后使用卷积神经网络等机器学习框架进行分析，以自动检测患者处理情绪的不同模式与健康组相比。

这种处理能够高度准确地区分患者和健康对照。

使用的关键脑电图描述符包括频谱功率向量和常见空间模式。频谱功率矢量捕获各个频段的功率分布，已知这些频段与情绪状态相关。

常见的空间模式通过最大化一类的方差同时最小化另一类的方差来增强类间辨别力，从而更好地对脑电图信号进行分类。

随着研究人员不断完善基于脑电图的技术，情绪脑监测有可能成为帕金森病诊断的广泛临床工具。

该研究展示了将神经技术、人工智能和情感计算相结合以提供客观的神经健康评估的前景。

关于帕金森病、情绪和人工智能研究新闻

作者：刘旭文
来源：智能计算
接触：刘旭文 — 智能计算
图像：该图像来自《神经科学新闻》

原创研究：开放访问。
—探索基于脑电图的帕金森病情感分析和检测�Ramanathan Subramanian 等人。智能计算

抽象的

探索基于脑电图的帕金森病情感分析和检测

虽然帕金森病 (PD) 的典型特征是运动障碍，但也有证据表明帕金森病患者的情绪感知能力减弱。

本研究探讨了脑电图 (EEG) 信号在了解 PD 和健康对照 (HC) 之间的情绪差异以及自动 PD 检测方面的效用。

我们对多个 EEG 描述符采用传统的机器学习和深度学习方法，探索 (a) 维度和类别情感识别，以及 (b) 从表征情感 EEG 信号的多个描述符中进行 PD 与 HC 分类。

我们的结果表明，PD 患者对唤醒的理解比效价更好，并且在情绪类别中，恐惧、厌恶和惊讶的准确度较低，而悲伤的准确度最高。

错误标记分析证实了 PD 数据的相反价情绪之间的混淆。情绪脑电图反应也实现了近乎完美的 PD 与 HC 识别。

总的来说，我们的研究表明，(a) 仅检查隐式反应就能够 (i) 发现 PD 患者的价相关损伤，以及 (ii) 将 PD 与 HC 区分开来，并且 (b) 情绪脑电图分析在生态上是有效的、有效的、与自我报告、专家评估和静息态分析相比，实用且可持续的 PD 诊断工具。