[論文レビュー] Automated Parkinson's Disease Detection and Affective Analysis from Emotional EEG Signals

Ravikiran Parameshwara, Soujanya Narayana+4 more|arXiv (Cornell University)|Feb 21, 2022

Parkinson's Disease Mechanisms and Treatments被引用数 6

ひとこと要約

本研究では、受動的メディア視聴中の感情的EEG信号を用いてパーキンソン病（PD）の検出および感情的分析を自動化するフレームワークを提案する。スペクトルパワー・ベクトルと一般的な空間パターンに、従来の機械学習およびディープラーニングモデル（例：2D-CNN）を適用することで、PD対健康対照群の分類がほぼ完璧に達成され（F1 ≥ 0.97）、PD関連の価値認識障害および逆価値感情の誤ラベル化が明らかになった。

ABSTRACT

While Parkinson's disease (PD) is typically characterized by motor disorder, there is evidence of diminished emotion perception in PD patients. This study examines the utility of affective Electroencephalography (EEG) signals to understand emotional differences between PD vs Healthy Controls (HC), and for automated PD detection. Employing traditional machine learning and deep learning methods, we explore (a) dimensional and categorical emotion recognition, and (b) PD vs HC classification from emotional EEG signals. Our results reveal that PD patients comprehend arousal better than valence, and amongst emotion categories, extit{fear}, extit{disgust} and extit{surprise} less accurately, and extit{sadness} most accurately. Mislabeling analyses confirm confounds among opposite-valence emotions with PD data. Emotional EEG responses also achieve near-perfect PD vs HC recognition. {Cumulatively, our study demonstrates that (a) examining extit{implicit} responses alone enables (i) discovery of valence-related impairments in PD patients, and (ii) differentiation of PD from HC, and (b) emotional EEG analysis is an ecologically-valid, effective, facile and sustainable tool for PD diagnosis vis-á-vis self reports, expert assessments and resting-state analysis.}

研究の動機と目的

• 受動的メディア消費中に生じる感情的EEG反応が、パーキンソン病（PD）患者における感情処理障害を明らかにできるかどうかを調査すること。
• 自己報告や専門家評価に依存せず、感情刺激からのEEG信号を用いた自動PD検出の実現可能性を評価すること。
• 従来の機械学習モデルとディープラーニングモデルの両方の分類性能を、感情カテゴリとPD対健康対照群の状態分類において比較すること。
• PD患者が健康対照群と比較して認識に障害を示す特定の感情カテゴリおよび次元的属性（価値、覚醒）を同定すること。
• 非侵襲的EEGを用いたPD診断に日常的な感情刺激を用いることの生態的妥当性および持続可能性を評価すること。

提案手法

• PD患者および健康対照群（HC）から、感情的映像クリップおよび音楽の受動的視聴中にEEG信号を収集した。
• 低レベルのEEG記述子を抽出：特徴表現としてスペクトルパワー・ベクトル（SPV）と一般的な空間パターン（CSP）を用いた。
• 生のEEGを2次元および3次元の画像に類似した表現に変換し、畳み込みニューラルネットワーク（CNN）処理を可能にした。
• 1次元、2次元、3次元の畳み込みニューラルネットワーク（CNN）に加え、従来の機械学習モデル（例：SVM、ランダムフォレスト）を分類に適用した。
• 次元的感情属性（価値および覚醒）のバイナリ分類と、カテゴリカルな感情（例：恐怖、嫌悪、悲しみ）のマルチクラス分類を実施した。
• 誤ラベル化分析を実施し、特に逆価値感情間の混同要因を特定した。

実験結果

リサーチクエスチョン

• RQ1 受動的メディア露出中の感情的EEG信号は、PD患者と健康対照群を高精度で区別できるか？
• RQ2 PD患者の感情処理能力は、健康対照群と比較して価値および覚醒の認識においてどのように異なるか？
• RQ3 どの感情カテゴリ（例：恐怖、嫌悪、悲しみ）がPD患者において最も正確に認識され、最も不正確に認識されるか？
• RQ4 PD患者において、特に逆価値感情間で系統的な誤ラベル化の混同が生じているか？
• RQ5 どのEEG特徴と機械学習モデルの組み合わせが、感情認識およびPD分類の両方で最高のパフォーマンスを達成するか？

主な発見

• 感情的EEGデータに2D-CNNを適用した結果、悲しみおよび恐怖の感情に対してF1スコア0.99を達成し、ほぼ完璧なPD対健康対照群分類が実現された。
• PD患者は、嫌悪、恐怖、驚きなどの低価値感情の認識正確性が顕著に低下しており、悲しみが最も正確に認識されていた。
• 誤ラベル化分析により、PDデータでは逆価値感情（例：肯定的対否定的）間で頻繁な混同が生じることが明らかになったが、健康対照群では同様のパターンは観察されなかった。
• 覚醒の認識は価値の認識よりも優れており、覚醒の分類パフォーマンスは健康対照群と同等であった。
• 従来の機械学習において、スペクトルパワー・ベクトル（SPV）は感情認識でCSPを上回ったが、PD分類ではCSPがSPVを上回った。
• 2Dおよび3D-CNNモデルは、すべてのタスクで一貫して最高のパフォーマンスを示し、EEGにおける空間的・時間的スペクトルパターンがPD関連の感情的差を最適に符号化できることを示した。