Багатокласова класифікація психіатричних розладів на основі ЕЕГ із використанням інтерпретованого машинного навчання та спектральних характеристик і показників зв’язності Автори: Aangi Shah, Ajay Goyal Анотація: Діагностика психіатричних розладів значною мірою спирається на суб’єктивне клінічне оцінювання, що обмежує можливості об’єктивного розмежування розладів, які можуть виникати одночасно. У цьому дослідженні представлено інтерпретовану систему багатокласової класифікації на основі електроенцефалографії (ЕЕГ) для таких категорій: адиктивний розлад, тривожний розлад, розлад настрою, обсесивно-компульсивний розлад (ОКР), шизофренія, розлад, пов’язаний із травмою та стресом, а також здорові особи контрольної групи. Було проаналізовано набір даних 945 учасників, що містив 1140 спектральних характеристик і показників когерентності, отриманих з ЕЕГ. Відбір ознак за дисперсією дав змогу скоротити їх кількість до 300. Класифікацію здійснювали за допомогою машини екстремального навчання (ELM), наївного баєсівського класифікатора (NB) та методу опорних векторів (SVM) за схемою «один проти всіх». NB продемонстрував порівняно обмежену здатність розрізняти класи (F1: 35,33–72,76 %). ELM забезпечив стабільні результати з показниками F1 від 66,03 % до 89,31 % і стабільно вищою точністю на тестових даних для всіх класів, зокрема 95,12 % для ОКР та 90,34 % для здорової контрольної групи. SVM забезпечив найкращий баланс точності та повноти для більшості класів, досягнувши показників F1 94,00 % для ОКР, 84,08 % для тривожного розладу та 79,84 % для шизофренії. Розлад настрою залишався найскладнішим для класифікації класом (максимальний F1: 66,03 %). Аналіз за частотними діапазонами визначив характеристики тета-діапазону як найбільш дискримінативні в межах цього набору даних: їх використання окремо забезпечило точність 91,57 %. Результати свідчать, що спектральні характеристики та показники когерентності, отримані з ЕЕГ, у поєднанні з обчислювально невибагливими класифікаторами машинного навчання можуть підтримувати багатокласову класифікацію психіатричних розладів, хоча ефективність залежить від конкретного класу. Водночас нижча ефективність для розладів настрою та використання лише одного загальнодоступного набору даних указують на необхідність подальшої зовнішньої валідації, статистичного порівняння й інтеграції мультимодальних ознак перед впровадженням у клінічну практику.