摘要
经前综合征(Premenstrual Syndrome,PMS)严重影响女性的生活质量。其诊断目前主要依靠症状自评量表。然而,个体差异显著、患者依从性低以及评估流程标准化困难导致误诊率较高。凭借高时间分辨率,脑电图(Electroencephalography,EEG)在抑郁症和认知障碍等精神类疾病的评估中得到广泛应用,为PMS的客观诊断提供了新的可能。本研究收集了61例PMS患者和52名健康志愿者的EEG数据,采用预训练的OpenSMILE模型提取时频域特征,分别构建随机森林、梯度提升机、XGBoost和神经网络的分类模型。实验表明,随机森林在多个评估指标上表现较优结果,验证了EEG在PMS识别上的可行性与有效性。从信号处理与智能算法角度,本研究为PMS诊断提供了新的技术路径。考虑到面临的多重挑战,PMS诊断有必要进一步融合多模态信息、多视角特征和多维度指标,以构建更加精准和鲁棒的分类模型。
出处
《轻工科技》
2025年第4期112-115,共4页
Light Industry Science and Technology
基金
国家重点研发计划项目(2022ZD0115901)
国家自然科学基金项目(62177007)
中国-中东欧国家高等教育联合办学项目(202012)
知识区块链研究基金(500230)。
