[論文レビュー] Major Depressive Disorder Recognition and Cognitive Analysis Based on Multi-layer Brain Functional Connectivity Networks

Xiaofang Sun, Xiangwei Zheng+3 more|arXiv (Cornell University)|Nov 2, 2021

Functional Brain Connectivity Studies参考文献 5被引用数 10

ひとこと要約

本研究では、位相差インデックス（PLI）および位相ロック値（PLV）を用いて、うつ病（MDD）の識別を向上させるためのマルチレイヤー脳機能的結合ネットワーク（MBFCN）を提案する。特徴レベルでのPLIおよびPLVベースの特徴を統合し、SVMを適用することで、92.86％の正確性を達成した。また、MDD検出において重要な役割を果たすのはアルファ・ベータ1周波数帯であり、右前頭側頭葉の結合障害は認知バイオマーカーとして特定された。

ABSTRACT

On the increase of major depressive disorders (MDD), many researchers paid attention to their recognition and treatment. Existing MDD recognition algorithms always use a single time-frequency domain method method, but the single time-frequency domain method is too simple and is not conducive to simulating the complex link relationship between brain functions. To solve this problem, this paper proposes a recognition method based on multi-layer brain functional connectivity networks (MBFCN) for major depressive disorder and conducts cognitive analysis. Cognitive analysis based on the proposed MBFCN finds that the Alpha-Beta1 frequency band is the key sub-band for recognizing MDD. The connections between the right prefrontal lobe and the temporal lobe of the extremely depressed disorders (EDD) are deficient in the brain functional connectivity networks (BFCN) based on phase lag index (PLI). Furthermore, potential biomarkers by the significance analysis of depression features and PHQ-9 can be found.

研究の動機と目的

• MDDにおける脳機能的関係の複雑さを捉えるために、単一レイヤー脳機能的結合ネットワークの限界を解消すること。
• PLIおよびPLVベースの機能的結合ネットワークからの特徴を統合することで、MDD識別の安定性と正確性を向上させること。
• 機能的結合パターンの認知的分析を通じて、MDD関連の主要な周波数帯および脳領域を同定すること。
• PHQ-9スコアおよびネットワークトポロジー特徴を用いて、うつ病の重症度に関連する潜在的神経生理的バイオマーカーを発見すること。

提案手法

• ウェーブレットパケット変換（WPT）を用い、db20ウェーブレットを用いて、EEG信号を6つの周波数帯（θ、α、β1、β2、α-β1、全帯域）に分解する。
• EEGチャネル間の位相同期の非対称性を測定するPLIと、位相ロックの程度を評価するPLVを用いて、脳機能的結合ネットワーク（BFCN）を構築する。
• テンソルベースのしきい値処理法を適用し、重み付き結合行列をバイナリーネットワークに変換して、トポロジー特徴を抽出する。
• バイナリーネットワークから、5つのグローバル特徴（クラスタ係数、平均最短経路長、同調性、グローバル効率、ローカル効率）および2つのローカル特徴（媒介性中央度、ノード次数）を抽出する。
• PLIおよびPLVベースの特徴を特徴レベルで統合し、識別安定性と耐障害性を向上させる。
• SVM分類器を、単一レイヤーおよび統合されたマルチレイヤーBFCN特徴の両方で学習させ、MDD対正常対照群の分類を実施する。

実験結果

リサーチクエスチョン

• RQ1 マルチレイヤー機能的結合ネットワークを用いた場合、EEG信号のどの周波数帯がMDDを同定する上で最も特徴的か？
• RQ2 極度のうつ病（EDD）サブグループを含むMDD患者と健康対照群との間で、脳の機能的結合パターンにどのような差が生じるか？
• RQ3 右前頭前頭葉および側頭葉領域が、MDD関連の機能的結合障害において果たす役割は何か？
• RQ4 PLIおよびPLVに基づくBFCNのトポロジー特徴は、PHQ-9のうつ病重症度スコアと統計的に有意に相関するバイオマーカーとして機能できるか？
• RQ5 PLIおよびPLVベースのBFCN特徴を特徴レベルで統合することで、単一レイヤーネットワークと比較してMDD識別正確性が向上するか？

主な発見

• マルチレイヤーBFCN統合手法は、アルファ・ベータ1周波数帯で92.86％の最高のMDD識別正確性を達成し、単一レイヤーネットワークよりも優れた性能を示した。
• アルファ・ベータ1周波数帯は、単一およびマルチレイヤー両構成において、他の周波数帯と比較してMDD識別において最も特徴的であることが同定された。
• PLIベースのBFCNにおいて、極度のうつ病（EDD）患者は、右前頭前頭葉および側頭葉間で顕著な結合欠損を示し、この領域に重要な神経的欠損が存在することが示唆された。
• PLIベースのBFCNから得られた7つのトポロジー特徴すべてが、PHQ-9スコアと有意に差を示した（p < 0.005）、バイオマーカーとしての可能性を示した。
• PLVベースのBFCNでは、全帯域を除くほとんどの特徴で有意差が認められたが、ノード次数を除き、PLIベースの特徴と比較してやや一貫性に欠けるバイオマーカー潜在力が示された。
• 認知的分析により、うつ病の重症度が増すにつれて、特に右側頭前頭葉領域で機能的結合の破壊が進行することが明らかになった。