[論文レビュー] A study of resting-state EEG biomarkers for depression recognition

Shuting Sun, Jianxiu Li+4 more|arXiv (Cornell University)|Feb 23, 2020

Functional Brain Connectivity Studies参考文献 37被引用数 20

ひとこと要約

本研究では、24例のMDD患者および29例の対照群から得られた128チャネルの静止状態EEGデータを用いて、うつ病性障害（MDD）の認識に向けた休息状態EEGバイオマーカーを調査した。位相遅れインデックス（PLI）に基づく機能的結合特徴量が、線形および非線形特徴量を上回り、ReliefF特徴選択とロジスティック回帰を組み合わせることで82.31%の分類精度を達成した。特に、側頭内結合PLI接続がMDDの主要バイオマーカーとして顕著であった。

ABSTRACT

Background: Depression has become a major health burden worldwide, and effective detection depression is a great public-health challenge. This Electroencephalography (EEG)-based research is to explore the effective biomarkers for depression recognition. Methods: Resting state EEG data was collected from 24 major depressive patients (MDD) and 29 normal controls using 128 channel HydroCel Geodesic Sensor Net (HCGSN). To better identify depression, we extracted different types of EEG features including linear features, nonlinear features and functional connectivity features phase lagging index (PLI) to comprehensively analyze the EEG signals in patients with MDD. And using different feature selection methods and classifiers to evaluate the optimal feature sets. Results: Functional connectivity feature PLI is superior to the linear features and nonlinear features. And when combining all the types of features to classify MDD patients, we can obtain the highest classification accuracy 82.31% using ReliefF feature selection method and logistic regression (LR) classifier. Analyzing the distribution of optimal feature set, it was found that intrahemispheric connection edges of PLI were much more than the interhemispheric connection edges, and the intrahemispheric connection edges had a significant differences between two groups. Conclusion: Functional connectivity feature PLI plays an important role in depression recognition. Especially, intrahemispheric connection edges of PLI might be an effective biomarker to identify depression. And statistic results suggested that MDD patients might exist functional dysfunction in left hemisphere.

研究の動機と目的

• 休息状態EEG信号を用いて、うつ病性障害（MDD）の信頼性の高いEEGバイオマーカーを同定すること。
• 線形、非線形、および機能的結合EEG特徴量の分類能を比較し、MDD患者と健常対照群を区別する能力を評価すること。
• 正確なMDD分類に最適な特徴量と機械学習手法の組み合わせを特定すること。
• MDD患者における機能的結合パターンの側頭内および側頭間差異を調査すること。

提案手法

• HydroCel Geodesic Sensor Netを用いて、24例のMDD患者および29例の健常対照群から128チャネルの休息状態EEGデータを収集した。
• 線形（例：パワースペクトル密度）、非線形（例：サンプルエントロピー）、および位相遅れインデックス（PLI）を用いた機能的結合の3種類のEEG特徴量を抽出した。
• ReliefFを含む複数の特徴選択手法を適用し、最も情報量の多い特徴量を同定した。
• 性能評価のために、主にロジスティック回帰（LR）を分類器として用いた。
• 最適な特徴量の空間的分布を分析し、特に側頭内結合と側頭間結合のパターンを特定した。
• MDD群と対照群との間でPLI特徴量の差異の有意性を評価する統計的比較を実施した。

実験結果

リサーチクエスチョン

• RQ1 線形、非線形、または機能的結合特徴量のうち、どのタイプがMDD患者と健常対照群を最も効果的に区別できるか？
• RQ2 複数のEEG特徴量タイプを組み合わせることで、MDDの検出における分類精度が向上するか？
• RQ3 MDDの同定において、側頭内結合PLIパターンは側頭間結合パターンよりもより情報量が多いか？
• RQ4 MDD患者において、左側頭部に著しい機能的結合の障害が認められるか？

主な発見

• 位相遅れインデックス（PLI）に基づく機能的結合特徴量が、線形および非線形EEG特徴量を顕著に上回り、MDDの分類性能に優れていた。
• 最高の分類精度82.31%は、ReliefF特徴選択法とロジスティック回帰を組み合わせた全特徴量セットを用いて達成された。
• 最適な特徴量セットには、側頭間結合に比べてはるかに多くの側頭内結合PLI接続が含まれており、MDDにおいて側頭内ネットワークの役割が強いことを示唆している。
• 側頭内結合PLI接続は、MDD患者と対照群との間に統計的に有意な差異を示しており、バイオマーカーとしての可能性が示唆された。
• 統計的分析から、MDD患者において左側頭部に機能的障害が生じている可能性が示された。