[論文レビュー] EEG machine learning with Higuchi fractal dimension and Sample Entropy as features for successful detection of depression

Milena Čukić, David D. Pokrajac+4 more|arXiv (Cornell University)|Mar 15, 2018

EEG and Brain-Computer Interfaces参考文献 56被引用数 28

ひとこと要約

本研究では、抑うつ患者と健常対照群の区別を目的として、EEG信号から抽出した非線形特徴量としてのHiguchiフラクタル次元（HFD）とサンプルエントロピー（SampEn）を用いた機械学習フレームワークを提案する。7種類の分類器を用いた手法では、90.24%から97.56%の精度を達成し、SampEnがHFDを上回ること、また少数の主成分で十分な分類能が得られることを示した。

ABSTRACT

Reliable diagnosis of depressive disorder is essential for both optimal treatment and prevention of fatal outcomes. In this study, we aimed to elucidate the effectiveness of two non-linear measures, Higuchi Fractal Dimension (HFD) and Sample Entropy (SampEn), in detecting depressive disorders when applied on EEG. HFD and SampEn of EEG signals were used as features for seven machine learning algorithms including Multilayer Perceptron, Logistic Regression, Support Vector Machines with the linear and polynomial kernel, Decision Tree, Random Forest, and Naive Bayes classifier, discriminating EEG between healthy control subjects and patients diagnosed with depression. We confirmed earlier observations that both non-linear measures can discriminate EEG signals of patients from healthy control subjects. The results suggest that good classification is possible even with a small number of principal components. Average accuracy among classifiers ranged from 90.24% to 97.56%. Among the two measures, SampEn had better performance. Using HFD and SampEn and a variety of machine learning techniques we can accurately discriminate patients diagnosed with depression vs controls which can serve as a highly sensitive, clinically relevant marker for the diagnosis of depressive disorders.

研究の動機と目的

• 抑うつ患者のEEG信号と健常対照群の区別に、非線形EEG特徴量（Higuchiフラクタル次元（HFD）およびサンプルエントロピー（SampEn））の有効性を評価すること。
• HFDおよびSampEn特徴量を入力として用いた複数の機械学習アルゴリズムの性能を評価すること。
• これらの特徴量から得られる主成分を低次元化した場合、分類精度を維持できる最小の主成分数を特定すること。
• HFDおよびSampEnが、臨床的に意味のある感受性の高いバイオマーカーとして、うつ病の診断に有効であるかどうかを検証すること。

提案手法

• EEG時系列信号からHiguchiフラクタル次元（HFD）を計算し、信号の複雑さとフラクタル特性を定量化した。
• EEG信号の規則性と予測不能性を評価するために、サンプルエントロピー（SampEn）を算出した。
• HFDおよびSampEn値を組み合わせた特徴量ベクトルを、抑うつ患者および健常対照群のEEG記録から抽出した。
• 主成分分析（PCA）を用いて次元削減を行い、分類に有用な情報を保持した。
• 次元削減された特徴量セットに対して、マルチレイヤーパーセプトロン、ロジスティック回帰、線形および多項式カーネルを用いたサポートベクターマシン（SVM）、決定木、ランダムフォレスト、ナイーブベイズの7種類の機械学習分類器を訓練および評価した。
• 交差検証を用いて妥当性を確保した上で、分類性能を精度を用いて評価した。

実験結果

リサーチクエスチョン

• RQ1 Higuchiフラクタル次元およびサンプルエントロピーは、抑うつ患者と健常対照群のEEG信号を効果的に区別できるか？
• RQ2 HFDおよびSampEnを入力特徴量として用いた場合、どの機械学習アルゴリズムが抑うつ症検出において最も優れた性能を示すか？
• RQ3 これらの非線形EEG特徴量を用いた場合、分類精度を維持するために必要な主成分の数はどれくらいか？
• RQ4 サンプルエントロピーは、Higuchiフラクタル次元よりも、抑うつ関連EEGパターンの区別に優れているか？

主な発見

• HFDおよびSampEn特徴量の組み合わせにより、7種類の機械学習モデルで分類精度が90.24%から97.56%の範囲で達成された。
• 抑うつ患者のEEG信号と対照群の区別において、サンプルエントロピーがHiguchiフラクタル次元を上回る優れた性能を示した。
• 少数の主成分であっても高い分類精度が維持されたことから、低次元特徴表現においても強力な識別力を持つことが示された。
• 本研究の結果から、HFDおよびSampEnは、EEGダイナミクスにおける抑うつ関連変化を検出する有効な非線形指標であることが確認された。
• 本研究では、HFDおよびSampEnが、EEGと機械学習を組み合わせた抑うつ症診断において、感受性が高く臨床的に意味のあるバイオマーカーとして確立された。