[논문 리뷰] A study of resting-state EEG biomarkers for depression recognition

Shuting Sun, Jianxiu Li외 4명|arXiv (Cornell University)|2020. 02. 23.

Functional Brain Connectivity Studies참고 문헌 37인용 수 20

한 줄 요약

이 연구는 24명의 MDD 환자와 29명의 대조군으로부터 확득한 128채널 뇌파 데이터를 이용하여 휴식 상태 EEG 생물학적 지표를 이용한 중증 우울 장애(MDD) 진단을 조사한다. Phase Lag Index(PLI) 기반의 기능적 연결성 특징이 선형 및 비선형 특징보다 뛰어난 성능을 보였으며, ReliefF 특징 선택과 로지스틱 회귀를 활용하여 82.31%의 분류 정확도를 달성하였다. 특히, 뇌의 동측 내부 연결성 PLI 연결성이 MDD의 핵심 생물학적 지표로 뚜렷이 부각되었다.

ABSTRACT

Background: Depression has become a major health burden worldwide, and effective detection depression is a great public-health challenge. This Electroencephalography (EEG)-based research is to explore the effective biomarkers for depression recognition. Methods: Resting state EEG data was collected from 24 major depressive patients (MDD) and 29 normal controls using 128 channel HydroCel Geodesic Sensor Net (HCGSN). To better identify depression, we extracted different types of EEG features including linear features, nonlinear features and functional connectivity features phase lagging index (PLI) to comprehensively analyze the EEG signals in patients with MDD. And using different feature selection methods and classifiers to evaluate the optimal feature sets. Results: Functional connectivity feature PLI is superior to the linear features and nonlinear features. And when combining all the types of features to classify MDD patients, we can obtain the highest classification accuracy 82.31% using ReliefF feature selection method and logistic regression (LR) classifier. Analyzing the distribution of optimal feature set, it was found that intrahemispheric connection edges of PLI were much more than the interhemispheric connection edges, and the intrahemispheric connection edges had a significant differences between two groups. Conclusion: Functional connectivity feature PLI plays an important role in depression recognition. Especially, intrahemispheric connection edges of PLI might be an effective biomarker to identify depression. And statistic results suggested that MDD patients might exist functional dysfunction in left hemisphere.

연구 동기 및 목표

• 휴식 상태 EEG 신호를 이용하여 중증 우울 장애(MDD)에 대한 신뢰할 수 있는 EEG 생물학적 지표를 규명하기.
• 선형, 비선형, 기능적 연결성 EEG 특징의 분류 능력을 비교하여 MDD 환자와 건강한 대조군을 구분하는 데에 있어 그 성능을 평가하기.
• 정확한 MDD 분류를 위한 최적의 특징 조합과 기계 학습 방법 조합을 규명하기.
• MDD 환자에서 뇌의 양측 간 기능적 연결성 패턴의 차이를 조사하기.

제안 방법

• HydroCel Geodesic Sensor Net을 사용하여 24명의 MDD 환자와 29명의 건강한 대조군으로부터 128채널 휴식 상태 EEG 데이터를 확보하였다.
• 세 가지 유형의 EEG 특징을 추출: 선형(예: 파워 스펙트럼 밀도), 비선형(예: 샘플 엔트로피), 그리고 Phase Lag Index(PLI)를 이용한 기능적 연결성.
• ReliefF를 포함한 다수의 특징 선택 방법을 적용하여 가장 정보가 풍부한 특징을 식별하였다.
• 성능 평가를 위해 주로 로지스틱 회귀(LR)를 분류기로 활용하였다.
• 최적 특징의 공간 분포를 분석하여 특히 내측 뇌간 연결성 대 비대칭 뇌간 연결성 패턴을 규명하였다.
• MDD 환자와 대조군 간 PLI 특징의 유의성 차이를 평가하기 위해 통계적 비교를 실시하였다.

실험 결과

연구 질문

• RQ1 선형, 비선형, 또는 기능적 연결성 중 어떤 종류의 EEG 특징이 MDD 환자와 건강한 대조군을 가장 잘 구분하는가?
• RQ2 여러 종류의 EEG 특징을 조합하면 MDD 진단의 분류 정확도 향상에 기여하는가?
• RQ3 PLI 기반의 내측 뇌간 연결성 패턴이 이질적 뇌간 연결성 패턴보다 MDD 식별에 더 유용한가?
• RQ4 MDD 환자에서 왼쪽 뇌에서 더 두드러진 기능적 연결성 장애가 관찰되는가?

주요 결과

• Phase Lag Index(PLI) 기반의 기능적 연결성 특징이 선형 및 비선형 EEG 특징보다 MDD 분류에서 뚜렷이 뛰어난 성능을 보였다.
• ReliefF 특징 선택 방법과 로지스틱 회귀를 조합하여 전체 특징 세트를 활용한 결과, 최고의 분류 정확도 82.31%를 달성하였다.
• 최적의 특징 세트는 이질적 뇌간 연결성 대비 내측 뇌간 연결성을 더 많이 포함하고 있어, MDD에서 내측 뇌간 네트워크의 더 큰 기여를 시사한다.
• 내측 뇌간 PLI 연결성은 MDD 환자와 대조군 간 통계적으로 유의미한 차이를 보였으며, 이는 생물학적 지표로서의 잠재력을 시사한다.
• 통계 분석 결과, MDD 환자에서 왼쪽 뇌에서의 기능적 기능 이상이 가능성이 있는 것으로 나타났다.