编辑推荐：
耳鸣严重影响生活质量，现有治疗效果有限且缺乏客观评估方法。研究人员开展 “Enhanced classification of tinnitus patients using EEG microstates and deep learning techniques” 研究，发现 EEG 微状态动力学可区分耳鸣患者与健康人，为耳鸣诊断和治疗提供新方向。
在日常生活中，不少人都被耳鸣所困扰，耳边时常响起的嗡嗡声或铃声，不仅影响睡眠、引发焦虑，还严重降低了生活质量。据统计，10 - 15% 的人都经历过耳鸣，其中 1 - 2% 的人症状尤为严重。目前，虽然有认知行为疗法和声音疗法等治疗手段，但由于耳鸣成因复杂多样，这些疗法的效果十分有限。而且，现有的诊断方法缺乏客观评估依据，难以精准判断病情。因此，寻找更有效的诊断和治疗方法迫在眉睫。
在这样的背景下，来自多个研究机构的研究人员展开了深入研究。他们利用创新的微状态分析技术和前沿的机器学习方法，对脑电图（EEG）信号进行全面剖析，旨在加深对耳鸣的理解并实现更精准的分类。该研究成果发表在《Scientific Reports》上。
研究人员为开展此项研究，采用了多种关键技术方法。他们收集了两个数据集的 EEG 数据，其中一个是包含 36 名参与者（16 名健康者，20 名耳鸣患者）的原发性数据集，另一个是有 37 名参与者（15 名健康者，22 名耳鸣患者）的公开数据集。EEG 信号经 Daubechies 4 小波在五个分解级别分解为五个频率带（δ、θ、α、β、γ） 。通过 K - means 聚类提取微状态特征，并将其转换为图像用于模型训练。采用了支持向量机（SVM）、决策树（DT）、随机森林（RF）、深度神经网络（DNN）等模型进行分类，还利用了预训练模型（VGG16、ResNet50、Xception）进行验证 。
下面来看具体的研究结果：
- EEG 数据采集和预处理：从两个数据集采集 EEG 数据，进行信号分段、滤波、归一化等预处理，分解为五个频率带并提取微状态特征，为后续分析做准备。
- 微状态动力学比较：分析发现耳鸣患者和健康对照组在闭眼和睁眼状态下，EEG 微状态动力学存在显著差异。β 频段微状态变化最为明显，耳鸣患者的微状态 A 持续时间增加（ + 7.8% 至 + 11.2%），微状态 B 持续时间减少（ - 9.0% 至 - 13.8%），出现率显著升高（比对照组高约 28 - 29%） 。
- 微状态转移概率：研究发现健康受试者和耳鸣患者在不同频率带的微状态转移概率存在明显差异。闭眼时，γ 频段 6 微状态配置和 β 频段 7 微状态配置差异显著；睁眼时，γ 频段 7 微状态配置的转移模式差异较大 。
- 跨微状态和频率带的分类性能：分类结果显示，不同条件下分类性能优异。睁眼时，DNN 在 γ 频段 5 微状态和 4 特征组合下准确率可达 100%；闭眼时，DNN 在 β 频段特征下准确率达 96.84% 。γ 频段在睁眼时表现最佳，β 频段在闭眼时表现出色 。
- 预训练模型和传统分类器的性能：预训练模型验证结果表明，Xception 与密集层（DL）分类器结合在睁眼条件下性能最高，ResNet50 与 SVM 结合也表现出较强性能，VGG16 表现较差 。
综合研究结果和讨论部分，此次研究意义重大。研究表明 EEG 微状态动力学，尤其是 β 和 γ 频段，可作为区分耳鸣患者和健康人的可靠生物标志物，为耳鸣的神经生理改变提供了新见解。微状态分析有望成为客观的诊断工具，指导个性化神经调节疗法。不过，该研究也存在一定局限性，如样本异质性、数据集采集协议差异等问题。未来研究可从纵向研究、与其他神经疾病对比、多模态成像技术整合等方面展开，进一步深入探索耳鸣的奥秘，为耳鸣的诊断和治疗开辟新道路。
