论文题目：

Discovering the neuronal dynamics in major depressive disorder using Hidden Markov Model

中文翻译：重性抑郁症神经元动力学的隐马尔可夫模型研究

发表时间：2023年6月

发表网址：https://doi.org/10.3389/fnhum.2023.1197613

背景：

脑电图（EEG）监测是记录神经活动的有效方法，可以提供重度抑郁症（MDD）的电神经生理学证据。

方法：

在这项工作中，我们提出了一种用于MDD患者和健康对照（HC）神经动力学解码的概率图模型，利用具有多元自回归观察的隐马尔可夫模型（HMM-MAR）。我们在MOMODA数据集上证明了该模型，该数据集包含来自53名被试的静息状态和任务状态脑电图数据，该数据由使用EGI公司128通道高密度脑电采集系统记录头皮脑电图所获取。

图.所提出的隐马尔可夫模型（HMM）的示意图工作流程。

结果：

实验结果表明，所提模型生成的状态时间过程可以回归参与者的患者健康问卷-9（PHQ-9）分数，并揭示MDD组和HC组之间的差异。同时，在呈现悲伤面部刺激的被试的神经元动力学中观察到马尔可夫性质。相干分析和功率谱估计证明了与先前关于MDD的研究一致的结果。

每个 HMM 状态的通道级一致性连接。

每个 HMM 状态的功率谱拓扑

讨论：

综上所述，所提出的HMM-MAR模型揭示了其从脑电信号中捕获神经元动力学并从状态转换的角度解释脑疾病发病机制的潜在能力。与以往将解码模型视为黑匣子的机器学习或深度学习研究相比，利用隐马尔可夫模型在时空模式可解释性方面具有优势。

参考文献：

Jiang W, Ding S, Xu C, Ke H, Bo H, Zhao T, Ma L and Li H (2023) Discovering the neuronal dynamics in major depressive disorder using Hidden Markov Model. Front. Hum. Neurosci. 17:1197613. doi: 10.3389/fnhum.2023.1197613

以上内容整理参考以上文献，更多内容请参考原文献，本内容仅供参考，如有疑问及侵权，请后台联系我们！