一项新的研究通过分析大脑对情感刺激的反应，利用脑电图（EEG）和人工智能技术，实现了近乎完美的帕金森病检测准确率。研究人员发现，帕金森病患者在处理情感方面有所不同，他们在识别恐惧、厌恶和惊讶等情感时存在困难，更关注情感的强度而非情感的正负值。
该研究分析了20名帕金森病患者和20名健康对照组的EEG数据，使用机器学习方法，达到了0.97的F1分数，诊断准确率极高。这一突破提供了一种非侵入性的客观诊断方法，有可能彻底改变帕金森病的早期检测和治疗。
关键事实
- 诊断准确率：基于EEG的情感分析在识别帕金森病方面达到了0.97的F1分数。
- 情感模式：帕金森病患者在识别情感的唤醒度方面优于情感的正负值，常常混淆对立的情感。
- AI集成：机器学习框架处理EEG数据，能够高精度地区分患者和对照组。
这项由堪培拉大学和科威特科技大学联合研究团队完成的研究，通过分析大脑对情感情境的反应，如观看视频片段或图片，实现了接近完美的帕金森病检测。这些发现为诊断这种致残运动障碍提供了一种客观的方法，而不再依赖临床专家和患者的自我评估，从而可能提高受影响者的治疗选择和整体生活质量。
研究发现，帕金森病患者在识别恐惧、厌恶和惊讶等情感时最为困难，或者会混淆对立情感，例如将悲伤误认为快乐。研究人员记录了20名帕金森病患者和20名健康对照组的脑电图（EEG）数据，测量了他们的脑电活动。参与者观看了旨在触发情感反应的视频片段和图片。
在记录EEG数据后，多个EEG描述符被处理以提取关键特征，并转换为可视化表示，然后使用卷积神经网络等机器学习框架进行自动检测，以识别患者与健康组在情感处理方面的不同模式。这一处理过程使患者和健康对照组之间的高精度区分成为可能。
主要使用的EEG描述符包括频谱功率向量和公共空间模式。频谱功率向量捕捉了不同频率带的功率分布，这些频率带已知与情感状态相关。公共空间模式通过最大化一个类别的方差同时最小化另一个类别的方差，增强了类间可区分性，从而更好地分类EEG信号。
随着研究人员继续完善基于EEG的技术，情感脑监测有望成为帕金森病诊断的广泛临床工具。该研究展示了结合神经技术、人工智能和情感计算提供客观神经健康评估的潜力。
摘要
基于脑电图的情感分析和帕金森病检测
尽管帕金森病（PD）通常以运动障碍为特征，但有证据表明PD患者在情感感知方面也存在缺陷。本研究探讨了脑电图（EEG）信号在理解PD患者与健康对照组之间情感差异及自动化PD检测中的应用。我们采用传统机器学习和深度学习方法，从多个EEG描述符中探索（a）维度和类别情感识别，以及（b）PD与健康对照组的分类。研究结果表明，PD患者在识别唤醒度方面优于情感的正负值，在情感类别中，对恐惧、厌恶和惊讶的识别准确性较低，而对悲伤的识别准确性最高。误标分析确认了PD数据中对立情感的混淆。情感EEG反应在PD与健康对照组的识别中几乎达到完美。总体而言，我们的研究表明，仅通过检查隐式反应即可（i）发现PD患者在情感正负值方面的缺陷，（ii）区分PD与健康对照组，（b）情感EEG分析是一种生态有效、实用且可持续的PD诊断工具，相较于自我报告、专家评估和静息态分析。
(全文结束)
