[논문 리뷰] A Data Driven Approach for Resting-state EEG signal Classification of Schizophrenia with Control Participants using Random Matrix Theory

Haichun Liu, Tianhong Zhang외 5명|arXiv (Cornell University)|2017. 12. 13.

EEG and Brain-Computer Interfaces참고 문헌 13인용 수 15

한 줄 요약

이 연구는 랜덤 매트릭스 이론(RMT)을 사용하여 정적 상태 뇌파(EEG) 신호를 분류하기 위한 데이터 기반 기계학습 접근법을 제안한다. Marchenko-Pastur 법칙을 적용하여 EEG 공분산 행렬을 신호 및 잡음 부분공간으로 분해하고, 선형 고유값 통계(LES)에 바르는 뉘른베르그 엔트로피를 시험 함수로 사용함으로써, 건강한 대조군과 첫 번째 발병 정신분열증 환자를 식별하는 데 최대 91.16%의 정확도를 달성하였다.

ABSTRACT

Resting state electroencephalogram (EEG) abnormalities in clinically high-risk individuals (CHR), clinically stable first-episode patients with schizophrenia (FES), healthy controls (HC) suggest alterations in neural oscillatory activity. However, few studies directly compare these anomalies among each types. Therefore, this study investigated whether these electrophysiological characteristics differentiate clinical populations from one another, and from non-psychiatric controls. To address this question, resting EEG power and coherence were assessed in 40 clinically high-risk individuals (CHR), 40 first-episode patients with schizophrenia (FES), and 40 healthy controls (HC). These findings suggest that resting EEG can be a sensitive measure for differentiating between clinical disorders.This paper proposes a novel data-driven supervised learning method to obtain identification of the patients mental status in schizophrenia research. According to Marchenko-Pastur Law, the distribution of the eigenvalues of EEG data is divided into signal subspace and noise subspace. A test statistic named LES that embodies the characteristics of all eigenvalues is adopted. different classifier and different feature(LES test function) are selected for experiments, we have shown that using von Neumann Entropy as LES test function combine with SVM classifier could obtain the best average classification accuracy during three classification among HC, FES and CHR of Schizophrenia group with EEG signal. It is worth noting that the result of LES feature extraction with the highest classification accuracy is around 90% in two classification(HC compare with FES) and around 70% in three classification. Where the classification accuracy higher than 70% could be used to assist clinical diagnosis.

연구 동기 및 목표

• 수동적인 특징 엔지니어링에 의존하지 않고도 정적 상태 EEG 신호를 정신분열증에서 신뢰성 있게 분류할 수 있는 강력한 데이터 기반 방법을 개발하기 위해.
• 뇌파 파wer와 일관성의 전기생리학적 차이가 임상적으로 고위험(CHT), 첫 번째 발병 정신분열증(FES), 건강한 대조군(HC) 참가자를 구분할 수 있는지 조사하기 위해.
• 랜덤 매트릭스 이론을 적용하여 EEG 공분산 행렬에서 내재된 신호 특성을 추출하고, 신호 부분공간과 잡음 부분공간을 분리하기 위해.
• 다양한 LES 시험 함수와 분류기의 성능을 평가하여 EEG 데이터를 사용한 정신건강 하위군 간의 구분 능력을 평가하기 위해.
• 분류 정확도를 유지하면서 추정 오차를 최소화하는 최적의 윈도우 크기를 결정하기 위해.

제안 방법

• 시간에 따라 변화하는 뇌기능 역학을 모델링하기 위해, 겹치지 않는 정적 EEG 세그먼트(5분 기록을 약 1000개의 윈도우로 나누어)에서 행렬 앙상블을 구성한다.
• 랜덤 공분산 행렬의 이론적 고유값 분포를 결정하기 위해 Marchenko-Pastur(MP) 법칙을 적용하여, 신호 부분공간과 잡음 부분공간을 분리할 수 있도록 한다.
• EEG 공분산 행렬의 고유값을 사용하여 선형 고유값 통계(LES) 시험 함수를 정의하여 스펙트럼 특성을 요약한다.
• 여러 시험 함수(예: 뉘른베르그 엔트로피, 트레이스, 기타)를 평가하여 분류에 가장 유용한 특징을 식별한다.
• 주로 SVM(서포트 벡터 머신)을 분류기로 사용하여, HC, FES, CHR 그룹의 EEG 데이터에서 추출한 LES 특징을 기반으로 학습한다.
• 윈도우 길이(ΔT: 100~5000ms)를 변화시켜 특징 추출 최적화를 시도하고, 분류 정확도에 미치는 영향을 평가한다.

실험 결과

연구 질문

• RQ1 정적 상태 EEG 신호는 건강한 대조군, 첫 번째 발병 정신분열증 환자, 임상적으로 고위험 개인을 신뢰성 있게 구분할 수 있는가?
• RQ2 RMT를 사용한 정신건강 분류에서, 어떤 LES 시험 함수가 가장 잘 구분 가능한 EEG 특징을 포착하는가?
• RQ3 EEG 신호 윈도우의 길이는 분류 시스템의 정확도에 어떤 영향을 미치는가?
• RQ4 RMT 기반 데이터 기반 접근법이 전통적인 EEG 분석 방식보다 정신분열증 하위군 분류에서 뛰어난 성능을 보일 수 있는가?
• RQ5 분류 정확도를 극대화하기 위해 특징 추출(LES 함수)과 분류기의 최적 조합은 무엇인가?

주요 결과

• SVM 분류와 함께 뉘른베르그 엔트로피를 LES 시험 함수로 사용할 경우, 건강한 대조군과 첫 번째 발병 정신분열증 환자를 식별하는 데 최고의 정확도 91.16%를 달성하였다.
• 세 그룹 분류(HC 대 FES 대 CHR)에서는 동일한 뉘른베르그 엔트로피와 SVM 조합을 사용하여 최고의 정확도 73.31%를 기록하였다.
• 특징 추출에 가장 적합한 윈도우 크기는 ΔT = 200 ms였으며, 이는 최고의 분류 정확도를 보였고, 전통적인 통계적 지침(3–8× 차원)과 일치하였다.
• 200ms를 초과하는 더 긴 윈도우 크기에서는 분류 정확도가 감소하여, 과도하게 긴 윈도우가 표본 공분산 행렬 추정을 악화시킨다는 점이 확인되었다.
• 모든 분류 작업에서 다른 시험 함수(예: 트레이스, 선형 함수)보다 뉘른베르그 엔트로피가 더 잘 구분 가능한 EEG 특징을 포착하는 것으로 나타났다.
• 세 그룹 분류에서 70% 이상, 이원 분류에서 90% 이상의 분류 정확도는 정신분열증 진단 지원에 임상적 유용성을 시사한다.