[論文レビュー] Power Spectral Density-Based Resting-State EEG Classification of First-Episode Psychosis

Sadi Md. Redwan, Md Palash Uddin+2 more|arXiv (Cornell University)|Nov 23, 2022

EEG and Brain-Computer Interfaces被引用数 4

ひとこと要約

本研究では、初発性精神病（FEP）患者と健常対照群を区別するため、安静状態EEGを用いたパワースペクトル密度（PSD）ベースの分類フレームワークを提案する。ガウス過程分類器（GPC）を含む機械学習モデルを採用し、95.78％の特異度を達成しており、刺激に依存しない特徴としてPSDが精神疾患分類の強固なバイオマーカーであることが示された。

ABSTRACT

Historically, the analysis of stimulus-dependent time-frequency patterns has been the cornerstone of most electroencephalography (EEG) studies. The abnormal oscillations in high-frequency waves associated with psychotic disorders during sensory and cognitive tasks have been studied many times. However, any significant dissimilarity in the resting-state low-frequency bands is yet to be established. Spectral analysis of the alpha and delta band waves shows the effectiveness of stimulus-independent EEG in identifying the abnormal activity patterns of pathological brains. A generalized model incorporating multiple frequency bands should be more efficient in associating potential EEG biomarkers with First-Episode Psychosis (FEP), leading to an accurate diagnosis. We explore multiple machine-learning methods, including random-forest, support vector machine, and Gaussian Process Classifier (GPC), to demonstrate the practicality of resting-state Power Spectral Density (PSD) to distinguish patients of FEP from healthy controls. A comprehensive discussion of our preprocessing methods for PSD analysis and a detailed comparison of different models are included in this paper. The GPC model outperforms the other models with a specificity of 95.78% to show that PSD can be used as an effective feature extraction technique for analyzing and classifying resting-state EEG signals of psychiatric disorders.

研究の動機と目的

• 安静状態EEGのパワースペクトル密度（PSD）特徴が、初発性精神病（FEP）患者と健常対照群を効果的に区別できるかどうかを調査すること。
• ランダムフォレスト、サポートベクターマシン、ガウス過程分類器（GPC）といった複数の機械学習モデルの性能を、PSD特徴を用いたFEP分類の観点から評価すること。
• PSD分析に適した、包括的な前処理パイプラインを確立し、信頼性の高い特徴抽出を確保すること。
• 刺激に依存しないEEG信号を用いて、FEPにおける病的脳活動を区別するのに最も効果的な周波数帯（例：アルファ、デルタ）を同定すること。

提案手法

• タスクベースの刺激なしに、FEP患者および健常対照群から安静状態EEGデータを収集する。
• 複数の周波数帯（例：デルタ、アルファ）におけるパワースペクトル密度（PSD）を算出するためのスペクトル解析を実施する。
• アーチファクト除去、フィルタリング、セグメンテーションなどの前処理ステップを実施し、PSD推定の前に信号品質を確保する。
• 標準化された周波数帯にわたるPSD値を特徴量として、機械学習モデルの入力に使用する。
• ランダムフォレスト、サポートベクターマシン、ガウス過程分類器（GPC）の3つの分類器を訓練および検証する。
• AUC曲線下の面積、特異度、感度などの指標を用いてモデルの性能を評価し、最適な分類性能を特定する。

実験結果

リサーチクエスチョン

• RQ1 安静状態EEGからのパワースペクトル密度（PSD）特徴は、初発性精神病（FEP）患者と健常対照群を信頼性高く区別できるか？
• RQ2 ランダムフォレスト、サポートベクターマシン、またはガウス過程分類器（GPC）のうち、どの機械学習モデルがPSD特徴を用いたFEP分類で最高の正確度を達成するか？
• RQ3 デルタ帯やアルファ帯などの周波数帯は、安静状態EEGにおいてFEPと健常対照群を区別するために、どの程度の寄与を示すか？
• RQ4 単一帯域分析と比較して、一般化されたマルチバンドPSDアプローチは、FEPの潜在的EEGバイオマーカーを同定する上でどの程度有効か？
• RQ5 精神疾患の検出を目的とした安静状態EEGにおいて、PSD推定と分類性能を最適化するための最適な前処理パイプラインは何か？

主な発見

• ガウス過程分類器（GPC）モデルが、初発性精神病（FEP）患者と健常対照群を区別する際、95.78％の最高特異度を達成した。
• アルファ帯およびデルタ帯のパワーにおけるスペクトル解析により、FEP患者と健常者との間に有意な差が認められた。
• 一般化されたPSDベースのモデルにおいて複数の周波数帯を用いることで、FEPにおける病的脳活動パターンの同定が向上した。
• 刺激に依存しないEEG信号をPSDで分析した結果、精神疾患分類に十分な識別力が示された。
• 包括的な前処理パイプラインが信号品質を向上させ、PSD特徴抽出およびモデル性能の強固さに寄与した。
• 本研究では、安静状態EEGからのPSD特徴が、FEPの潜在的バイオマーカーを同定するための実用的で効果的な手法であることが確認された。