Multiclass EEG-Based Classification of Psychiatric Disorders Using Interpretable Machine Learning on Spectral and Connectivity Features
Multiklassen-Klassifikation psychiatrischer Störungen mit EEG-basierten Daten mittels interpretierbarem Machine Learning auf Spektral- und Konnektivitätsmerkmalen
BRAIN. Broad Research in Artificial Intelligence and Neuroscience · 16.09.2026 · 17 (3) · 275
DOI: 10.70594/brain/17.3/17 ↗Auf einen Blick
Eine Studie mit 945 Personen prüfte EEG-Merkmale für die multiklassenfähige Einordnung psychiatrischer Störungen. Die besten Ergebnisse zeigten ELM und SVM; Mood Disorder war am schwierigsten zu klassifizieren.
Fragestellung
Kann ein interpretierbares EEG-basiertes Machine-Learning-Framework mehrere psychiatrische Störungen anhand spektraler und Kohärenz-Merkmale unterscheiden?
Methode
945 Proband:innen; 1.140 EEG-basierte Spektral- und Kohärenzmerkmale, Auswahl auf 300 Deskriptoren; Klassifikation mit ELM, NB und SVM im One-vs-all-Ansatz.
Ergebnisse
NB zeigte begrenzte Diskrimination (F1: 35,33 %–72,76 %). ELM erreichte F1-Scores von 66,03 %–89,31 % und 95,12 % für OCD sowie 90,34 % für Healthy Controls. SVM erreichte 94,00 % für OCD, 84,08 % für Anxiety Disorder und 79,84 % für Schizophrenia. Theta-Band-Merkmale erzielten 91,57 % Genauigkeit.
Einschränkungen
Mood Disorder war die schwierigste Klasse; die Studie basierte auf einer einzelnen öffentlichen Datenbank und braucht externe Validierung.
Schlussfolgerung der Autor:innen
Die Autor:innen schließen, dass EEG-basierte Spektral- und Kohärenzmerkmale mit leichten Machine-Learning-Klassifikatoren eine multiklassenfähige psychiatrische Klassifikation unterstützen können.
Kernaussagen
- ELM und SVM zeigten die besten Klassifikationsleistungen.
- Mood Disorder war am schwersten zu klassifizieren.
- Theta-Band-Merkmale waren am diskriminierendsten.
Deutsche Zusammenfassung: KI-gestützt aus dem Original-Abstract erstellt; alle Zahlen wurden automatisch mit dem Original abgeglichen. Maßgeblich ist der Original-Abstract.
Kurz gefasst
Fachartikel in der Zeitschrift BRAIN. Broad Research in Artificial Intelligence and Neuroscience, online erschienen am 16.09.2026. Verfasst von Aangi Shah und 1 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-ND 4.0).
Abstract (Originalsprache)
Psychiatric diagnosis relies heavily on subjective clinical evaluation, limiting objective differentiation across co-occurring disorders. This study presents an interpretable multiclass electroencephalography (EEG)-based framework for —Addictive Disorder, Anxiety Disorder, Mood Disorder, Obsessive-Compulsive Disorder (OCD), Schizophrenia, Trauma and Stress-Related Disorder—and Healthy Controls. A dataset of 945 subjects with 1,140 EEG-derived spectral and coherence features was analysed, with variance-based selection reducing the feature space to 300 descriptors. Classification was performed using Extreme Learning Machine (ELM), Naïve Bayes (NB), and Support Vector Machine (SVM) within a one-vs-all architecture. NB demonstrated comparatively limited discriminative capability (F1: 35.33%–72.76%). ELM achieved stable performance with F1-scores ranging from 66.03% to 89.31% and consistently higher testing accuracies across all classes, including 95.12% for OCD and 90.34% for Healthy Controls. SVM yielded the highest precision–recall balance across most classes, achieving F1-scores of 94.00% for OCD, 84.08% for Anxiety Disorder, and 79.84% for Schizophrenia. Mood Disorder remained the most challenging class (maximum F1: 66.03%). Bandwise analysis identified theta-band features as the most discriminative within the present dataset , achieving 91.57% standalone accuracy. These results suggest that EEG-derived spectral and coherence features, when combined with lightweight machine learning classifiers, can support multiclass psychiatric classification with variable class-wise performance. However, the lower performance observed for Mood Disorder and the reliance on a single public dataset indicate that further external validation, statistical comparison, and multimodal feature integration are required before clinical translation.
Zitieren
APA
Shah, A., & Goyal, A. (2026). Multiclass EEG-Based Classification of Psychiatric Disorders Using Interpretable Machine Learning on Spectral and Connectivity Features. BRAIN. Broad Research in Artificial Intelligence and Neuroscience, 17(3), 275. https://doi.org/10.70594/brain/17.3/17
Vancouver
Shah A, Goyal A. Multiclass EEG-Based Classification of Psychiatric Disorders Using Interpretable Machine Learning on Spectral and Connectivity Features. BRAIN. Broad Research in Artificial Intelligence and Neuroscience. 2026;17(3):275. doi:10.70594/brain/17.3/17
BibTeX
@article{Shah2026,
author = {Shah, Aangi and Goyal, Ajay},
title = {Multiclass EEG-Based Classification of Psychiatric Disorders Using Interpretable Machine Learning on Spectral and Connectivity Features},
journal = {BRAIN. Broad Research in Artificial Intelligence and Neuroscience},
year = {2026},
volume = {17},
number = {3},
pages = {275},
doi = {10.70594/brain/17.3/17}
}
EUVIMED