[논문 리뷰] AI Neurotechnology for Aging Societies -- Task-load and Dementia EEG Digital Biomarker Development Using Information Geometry Machine Learning Methods

Tomasz M. Rutkowski, Qibin Zhao외 2명|arXiv (Cornell University)|2018. 11. 30.

EEG and Brain-Computer Interfaces참고 문헌 16인용 수 7

한 줄 요약

이 논문은 정보 기하학 기반 기계 학습 프레임워크를 제안하여 저부하 및 고부하 작업 조건에서 유도된 뇌파(ERP)를 분류하고, 조기 치매 관련 뇌파 이상을 모델링한다. 대칭 양의 정합 행렬의 리만 기하학과 탄성 공간 변환을 활용하여, 단일 사용자 및 전이 학습 설정에서 70% 이상의 분류 정확도를 달성하며, 치매 모니터링을 위한 디지털 바이오마커 개발 잠재력을 입증한다.

ABSTRACT

Dementia and especially Alzheimer's disease (AD) are the most common causes of cognitive decline in elderly people. A spread of the above mentioned mental health problems in aging societies is causing a significant medical and economic burden in many countries around the world. According to a recent World Health Organization (WHO) report, it is approximated that currently, worldwide, about 47 million people live with a dementia spectrum of neurocognitive disorders. This number is expected to triple by 2050, which calls for possible application of AI-based technologies to support an early screening for preventive interventions and a subsequent mental wellbeing monitoring as well as maintenance with so-called digital-pharma or beyond a pill therapeutical approaches. This paper discusses our attempt and preliminary results of brainwave (EEG) techniques to develop digital biomarkers for dementia progress detection and monitoring. We present an information geometry-based classification approach for automatic EEG-derived event related responses (ERPs) discrimination of low versus high task-load auditory or tactile stimuli recognition, of which amplitude and latency variabilities are similar to those in dementia. The discussed approach is a step forward to develop AI, and especially machine learning (ML) approaches, for the subsequent application to mild-cognitive impairment (MCI) and AD diagnostics.

연구 동기 및 목표

• 비침습적 EEG 모니터링을 통해 조기 치매 조기 감지에 기반한 AI 기반 디지털 바이오마커를 개발하기 위해.
• 청각 및 촉각 자극 파라다임에서 작업 부하 조절을 통해 치매 유사 뇌파 패턴을 모델링하기 위해.
• 정보 기하학 기반 기계 학습을 적용하여 인지 기능 저하를 나타내는 ERP 반응을 분류하기 위해.
• 강건하고 이식 가능한 EEG 바이오마커를 활용해 연속적이고 가정 기반의 인지 모니터링을 가능하게 하기 위해.
• 임상적 인구집단(경도 인지 장애 또는 치매 환자)으로의 확장에 앞서 건강한 피험자에서 접근법을 검증하기 위해.

제안 방법

• 연구는 EEG 신호에서 유도된 대칭 양의 정합(SPD) 공분산 행렬의 리만 기하학을 활용하여 ERP 특징을 표현한다.
• 정보 기하학 기반 특징은 공분산 행렬의 다양체에서 아핀 불변 리만 거리(Riemannian geometry, RG)를 사용하여 추출된다.
• 지오데식 거리로 클래스 평균까지의 최소 거리를 기반으로 MDM 분류기가 저부하 및 고부하 작업 조건으로 ERP 반응을 분류하는 데 사용된다.
• RG 특징를 유클리드 공간으로 변환하기 위해 탄성 공간 변환을 적용하여 기존 분류기(예: 선형 SVM 및 로지스틱 회귀)와의 호환성을 확보한다.
• 기존의 벡터화된 시간 도메인 ERP 특징, xDAWN 공간 필터링, 그리고 rLDA, 선형SVM, 시그모이드SVM, RBF-SVM 등의 다양한 분류기와의 성능 비교를 수행한다.
• 단일 사용자 및 전이 학습 시나리오에서 성능 평가를 위해 10% 테스트 세트를 포함한 교차 검증을 사용한다.

실험 결과

연구 질문

• RQ1 정보 기하학 기반 기계 학습이 저부하 대비 고부하 작업 조건에서 EEG ERP 반응을 효과적으로 분류할 수 있는가?
• RQ2 리만 기하학 기반 특징의 성능가 시간 도메인 ERP 특징의 성능와 비교해 볼 때, 작업 부하 상태 분류에 있어 어떤가?
• RQ3 단일 사용자로 훈련된 분류기가 전이 학습 설정에서 다양한 피험자 간에 얼마나 잘 일반화되는가?
• RQ4 탄성 공간 변환을 표준 선형 및 커널 기반 분류기와 조합할 경우 분류 정확도가 향상되는가?
• RQ5 제안된 방법이 P300 지연 및 진폭 변동성과 같은 조기 치매 유사 ERP 이상을 충분히 민감하게 모델링할 수 있는가?

주요 결과

• 제안된 정보 기하학 기반 방법은 단일 사용자 시나리오에서 청각 및 촉각 작업 부하 식별에 대해 중앙값 기준으로 70% 이상의 교차 검증 분류 정확도를 달성하였다.
• 로지스틱 회귀 및 선형 SVM와 조합된 탄성 공간 변환은 대부분의 경우 MDM 분류기 및 원시 시간 도메인 특징보다 뛰어난 성능을 보였다.
• 반경 기저 커널 SVM는 탄성 공간 기반 선형 SVM와 유사한 성능을 보였지만, 청각 케이스에서는 차이가 통계적으로 유의미하지 않았다.
• 피험자 간 일반화 실험 결과는 우연의 수준(0.5)과 유사하게 유의미하지 않아, 정밀 조정 없이선 피험자 간 이식성이 제한됨을 시사했다.
• 비모수적 윌콕슨 대비 검정을 통해 기준 방법 대비 통계적으로 유의미한 향상이 확인되었으며(p < 0.05), 방법의 타당성을 뒷받침했다.
• 결과는 작업 부하 조절된 ERP 반응을 치매 관련 뇌파 변화의 대체 지표로 사용할 수 있음을 뒷받침하며, 향후 개인 맞춤형 디지털 바이오마커 개발 가능성을 시사한다.