[論文レビュー] Classification of EEG-Based Brain Connectivity Networks in Schizophrenia Using a Multi-Domain Connectome Convolutional Neural Network

Chun‐Ren Phang, Chee‐Ming Ting+2 more|arXiv (Cornell University)|Mar 21, 2019

Functional Brain Connectivity Studies被引用数 48

ひとこと要約

この論文は MDC-CNN を提案する。時系列ドメイン VAR、周波数ドメイン PDC、および EEG からのトポロジカル CN 特徴を統合して、統合失調症と健常対照を分類し、SVMおよび単一ドメイン CNN を上回るパフォーマンスを実現するマルチドメイン接続脳（MDC-CNN）。

ABSTRACT

We exploit altered patterns in brain functional connectivity as features for automatic discriminative analysis of neuropsychiatric patients. Deep learning methods have been introduced to functional network classification only very recently for fMRI, and the proposed architectures essentially focused on a single type of connectivity measure. We propose a deep convolutional neural network (CNN) framework for classification of electroencephalogram (EEG)-derived brain connectome in schizophrenia (SZ). To capture complementary aspects of disrupted connectivity in SZ, we explore combination of various connectivity features consisting of time and frequency-domain metrics of effective connectivity based on vector autoregressive model and partial directed coherence, and complex network measures of network topology. We design a novel multi-domain connectome CNN (MDC-CNN) based on a parallel ensemble of 1D and 2D CNNs to integrate the features from various domains and dimensions using different fusion strategies. Hierarchical latent representations learned by the multiple convolutional layers from EEG connectivity reveal apparent group differences between SZ and healthy controls (HC). Results on a large resting-state EEG dataset show that the proposed CNNs significantly outperform traditional support vector machine classifiers. The MDC-CNN with combined connectivity features further improves performance over single-domain CNNs using individual features, achieving remarkable accuracy of $93.06\%$ with a decision-level fusion. The proposed MDC-CNN by integrating information from diverse brain connectivity descriptors is able to accurately discriminate SZ from HC. The new framework is potentially useful for developing diagnostic tools for SZ and other disorders.

研究の動機と目的

• 統制された EEG ベースの脳接続パターンを用いた統合失調症の自動識別を動機づける。
• 複数の接続ドメインを組み合わせることが、単一ドメインのアプローチより分類精度を改善するかを調査する。
• 時系列ドメイン、周波数ドメイン、トポロジー接続特徴を融合できる深層学習アーキテクチャを開発する。
• resting-state EEG データ上で MDC-CNN を従来の分類器および単一ドメインモデルと比較評価する。

提案手法

• 多チャネル EEG から VAR 係数（時系列ドメイン）および PDC（周波数ドメイン）で有向接続特徴を抽出する。
• 接続行列から複雑ネットワーク指標（次数、グローバル効率、クラスタリング、トランジティビティ）をトポロジー特徴として計算する。
• VAR 矩阵と PDC 矩阵用の 2 つの 2D-CNN と CN 特徴用の 1D-CNN を並列に用いて MDC-CNN を開発する。
• 3 つの融合戦略を検討する：特徴レベル融合、スコアレベル融合、意思決定レベル融合。
• Adam オプティマイザー、500 エポック、全結合層のドロップアウト、SZ vs. HC 分類のクロスエントロピー損失でモデルを訓練する。

実験結果

リサーチクエスチョン

• RQ1 EEG ベースの有向接続指標は、統合失調症と健常対照を識別できるか。
• RQ2 時系列ドメイン、周波数ドメイン、トポロジー接続特徴を統合すると分類精度は改善されるか。
• RQ3 マルチドメイン接続脳の分類で、どの融合戦略が最も性能を発揮するか。
• RQ4 MDC-CNN は resting-state EEG データに対して SVM および単一ドメイン CNN アプローチと比較してどうか。

主な発見

• VAR と CN の組み合わせによる MDC-CNN は決定レベル融合を用いて最高精度 92.87%（修正 93.06%）を達成。
• 時系列 VAR 特徴のみで高精度を実現（CNN: 90.59%; 全バンドでの SVM: 88.19% 修正）、周波数ドメイン PDC よりもいくつかの設定で上回る。
• CN トポロジー特徴のみは、ほとんどのバンドで VAR や PDC よりも劣るが、補完情報を提供。
• VAR、PDC、CN の融合を多数決で行うと、単一ドメイン CNN および SVM より全ての特徴セットで優れる。
• 全バンド PDC ベースの CNN は、構成の一部で最大 89.19% の精度、感度 93.33%、特異度 93.33% を達成。
• 意思決定レベル融合は、融合戦略の中で精度と頑健性の最良のトレードオフを一貫して提供。