[論文レビュー] A Data Driven Approach for Resting-state EEG signal Classification of Schizophrenia with Control Participants using Random Matrix Theory

Haichun Liu, Tianhong Zhang+5 more|arXiv (Cornell University)|Dec 13, 2017

EEG and Brain-Computer Interfaces参考文献 13被引用数 15

ひとこと要約

本研究では、ランダム行列理論（RMT）を用いて、統計的分散のないデータ駆動型機械学習手法を提案し、統合的状態EEG信号の分類に用いる。EEG共分散行列を信号部分空間とノイズ部分空間に分解するために、Marchenko-Pasturの法則を適用し、線形固有値統計（LES）を用い、von Neumannエントロピーをテスト関数として用いることで、健康対照群と初発性統合失調症患者を区別する分類精度が最大91.16％に達した。

ABSTRACT

Resting state electroencephalogram (EEG) abnormalities in clinically high-risk individuals (CHR), clinically stable first-episode patients with schizophrenia (FES), healthy controls (HC) suggest alterations in neural oscillatory activity. However, few studies directly compare these anomalies among each types. Therefore, this study investigated whether these electrophysiological characteristics differentiate clinical populations from one another, and from non-psychiatric controls. To address this question, resting EEG power and coherence were assessed in 40 clinically high-risk individuals (CHR), 40 first-episode patients with schizophrenia (FES), and 40 healthy controls (HC). These findings suggest that resting EEG can be a sensitive measure for differentiating between clinical disorders.This paper proposes a novel data-driven supervised learning method to obtain identification of the patients mental status in schizophrenia research. According to Marchenko-Pastur Law, the distribution of the eigenvalues of EEG data is divided into signal subspace and noise subspace. A test statistic named LES that embodies the characteristics of all eigenvalues is adopted. different classifier and different feature(LES test function) are selected for experiments, we have shown that using von Neumann Entropy as LES test function combine with SVM classifier could obtain the best average classification accuracy during three classification among HC, FES and CHR of Schizophrenia group with EEG signal. It is worth noting that the result of LES feature extraction with the highest classification accuracy is around 90% in two classification(HC compare with FES) and around 70% in three classification. Where the classification accuracy higher than 70% could be used to assist clinical diagnosis.

研究の動機と目的

• 手動による特徴量設計に依存せず、統合的状態EEG信号の分類に耐性があり、データ駆動型の手法を開発すること。
• EEGパワーとコherー二ンスの電気生理的差異が、臨床的高リスク（CHR）、初発性統合失調症（FES）、健康対照群（HC）を区別できるかを調査すること。
• ランダム行列理論を用いて、EEG共分散行列から内在的な信号特性を抽出し、信号部分空間とノイズ部分空間を分離すること。
• さまざまなLESテスト関数と分類器の性能を評価し、EEGデータを用いた精神病的サブタイプの区別に有効な組み合わせを特定すること。
• 分類精度を維持しながら推定誤差を最小限に抑えるために、最適な特徴抽出ウィンドウサイズを特定すること。

提案手法

• 時間変動する脳のダイナミクスをモデル化するため、重複のない定常EEGセグメント（5分間の記録を約1000のウィンドウに分割）から行列アンサンブルを構築する。
• Marchenko-Pastur（MP）法則を適用し、ランダム共分散行列の理論的固有値分布を特定することで、信号部分空間とノイズ部分空間の分離を可能にする。
• EEG共分散行列の固有値を用いて、スペクトル特性を要約する線形固有値統計（LES）テスト関数を定義する。
• 複数のテスト関数（例：von Neumannエントロピー、トレース、その他）を評価し、分類に最も情報量の多い特徴を同定する。
• 主な分類器としてサポートベクターマシン（SVM）を用い、HC、FES、CHR群のEEGデータから抽出したLES特徴量を用いて訓練する。
• ウィンドウ長（ΔT：100〜5000 ms）を変化させることで特徴抽出を最適化し、分類精度に与える影響を評価する。

実験結果

リサーチクエスチョン

• RQ1 統合的状態EEG信号は、健康対照群、初発性統合失調症患者、臨床的高リスク個体を信頼性高く区別できるか？
• RQ2 RMTを用いた精神病的分類において、どのLESテスト関数が判別的EEG特徴を最もよく捉えられるか？
• RQ3 EEG信号ウィンドウの長さは、分類システムの精度にどのように影響するか？
• RQ4 RMTに基づくデータ駆動型アプローチは、従来のEEG解析を上回って統合失調症サブタイプを分類できるか？
• RQ5 分類精度を最大化するために、特徴抽出（LES関数）と分類器の最適な組み合わせは何か？

主な発見

• SVM分類を用い、von NeumannエントロピーをLESテスト関数として用いた場合、健康対照群と初発性統合失調症患者を区別する分類精度が最高で91.16％に達した。
• 三クラス分類（HC対FES対CHR）においても、同じvon NeumannエントロピーとSVMの組み合わせで、最高73.31％の精度を記録した。
• 特徴抽出の最適ウィンドウサイズはΔT = 200 msであり、これが最高の分類精度をもたらした。これは古典的統計的ガイドライン（3〜8×次元）と整合的であった。
• 200 msを超える長いウィンドウサイズでは分類精度が低下し、これは過剰に長いウィンドウが標本共分散行列の推定を劣化させるためである。
• すべての分類タスクにおいて、von Neumannエントロピーは他のテスト関数（例：トレース、線形関数）を上回り、判別的EEG特徴をより効果的に捉えていた。
• 三クラス分類で70％を超える分類精度、二クラス分類で90％を超える精度が達成されたことから、診断支援における臨床的有用性が示唆された。