《Scientific Reports》：Enhanced classification of tinnitus patients using EEG microstates and deep learning techniques
編輯推薦：
耳鳴嚴重影響生活質量，現有治療效果有限且缺乏客觀評估方法。研究人員開展 “Enhanced classification of tinnitus patients using EEG microstates and deep learning techniques” 研究，發現 EEG 微狀態動力學可區分耳鳴患者與健康人，為耳鳴診斷和治療提供新方向。
在日常生活中，不少人都被耳鳴所困擾，耳邊時常響起的嗡嗡聲或鈴聲，不僅影響睡眠、引發焦慮，還嚴重降低了生活質量。據統計，10 - 15% 的人都經歷過耳鳴，其中 1 - 2% 的人癥狀尤為嚴重。目前，雖然有認知行為療法和聲音療法等治療手段，但由于耳鳴成因復雜多樣，這些療法的效果十分有限。而且，現有的診斷方法缺乏客觀評估依據，難以精準判斷病情。因此，尋找更有效的診斷和治療方法迫在眉睫。
在這樣的背景下，來自多個研究機構的研究人員展開了深入研究。他們利用創新的微狀態分析技術和前沿的機器學習方法，對腦電圖（EEG）信號進行全面剖析，旨在加深對耳鳴的理解并實現更精準的分類。該研究成果發表在《Scientific Reports》上。
研究人員為開展此項研究，采用了多種關鍵技術方法。他們收集了兩個數據集的 EEG 數據，其中一個是包含 36 名參與者（16 名健康者，20 名耳鳴患者）的原發性數據集，另一個是有 37 名參與者（15 名健康者，22 名耳鳴患者）的公開數據集。EEG 信號經 Daubechies 4 小波在五個分解級別分解為五個頻率帶（δ、θ、α、β、γ） 。通過 K - means 聚類提取微狀態特征，并將其轉換為圖像用于模型訓練。采用了支持向量機（SVM）、決策樹（DT）、隨機森林（RF）、深度神經網絡（DNN）等模型進行分類，還利用了預訓練模型（VGG16、ResNet50、Xception）進行驗證 。
下面來看具體的研究結果：
- EEG 數據采集和預處理：從兩個數據集采集 EEG 數據，進行信號分段、濾波、歸一化等預處理，分解為五個頻率帶并提取微狀態特征，為后續分析做準備。
- 微狀態動力學比較：分析發現耳鳴患者和健康對照組在閉眼和睜眼狀態下，EEG 微狀態動力學存在顯著差異。β 頻段微狀態變化最為明顯，耳鳴患者的微狀態 A 持續時間增加（ + 7.8% 至 + 11.2%），微狀態 B 持續時間減少（ - 9.0% 至 - 13.8%），出現率顯著升高（比對照組高約 28 - 29%） 。
- 微狀態轉移概率：研究發現健康受試者和耳鳴患者在不同頻率帶的微狀態轉移概率存在明顯差異。閉眼時，γ 頻段 6 微狀態配置和 β 頻段 7 微狀態配置差異顯著；睜眼時，γ 頻段 7 微狀態配置的轉移模式差異較大 。
- 跨微狀態和頻率帶的分類性能：分類結果顯示，不同條件下分類性能優異。睜眼時，DNN 在 γ 頻段 5 微狀態和 4 特征組合下準確率可達 100%；閉眼時，DNN 在 β 頻段特征下準確率達 96.84% 。γ 頻段在睜眼時表現最佳，β 頻段在閉眼時表現出色 。
- 預訓練模型和傳統分類器的性能：預訓練模型驗證結果表明，Xception 與密集層（DL）分類器結合在睜眼條件下性能最高，ResNet50 與 SVM 結合也表現出較強性能，VGG16 表現較差 。
綜合研究結果和討論部分，此次研究意義重大。研究表明 EEG 微狀態動力學，尤其是 β 和 γ 頻段，可作為區分耳鳴患者和健康人的可靠生物標志物，為耳鳴的神經生理改變提供了新見解。微狀態分析有望成為客觀的診斷工具，指導個性化神經調節療法。不過，該研究也存在一定局限性，如樣本異質性、數據集采集協議差異等問題。未來研究可從縱向研究、與其他神經疾病對比、多模態成像技術整合等方面展開，進一步深入探索耳鳴的奧秘，為耳鳴的診斷和治療開辟新道路。
