[논문 리뷰] Automated Parkinson's Disease Detection and Affective Analysis from Emotional EEG Signals

Ravikiran Parameshwara, Soujanya Narayana외 4명|arXiv (Cornell University)|2022. 02. 21.

Parkinson's Disease Mechanisms and Treatments인용 수 6

한 줄 요약

이 연구는 수동적 미디어 시청 중 감정적 뇌파 신호를 활용하여 파킨슨병(PD) 진단과 정서 분석을 자동화하는 프레임워크를 제안한다. 스펙트럼 전력 벡터와 일반화된 공간 패턴에 전통적 기계학습 및 딥러닝 모델(예: 2D-CNN)을 적용함으로써, PD 대 건강한 대조군 분류에서 거의 완벽한 성능(F1 ≥ 0.97)을 달성하고, PD 환자에서 정서의 정서적 평가 및 반대 정서의 오표기 문제를 드러낸다.

ABSTRACT

While Parkinson's disease (PD) is typically characterized by motor disorder, there is evidence of diminished emotion perception in PD patients. This study examines the utility of affective Electroencephalography (EEG) signals to understand emotional differences between PD vs Healthy Controls (HC), and for automated PD detection. Employing traditional machine learning and deep learning methods, we explore (a) dimensional and categorical emotion recognition, and (b) PD vs HC classification from emotional EEG signals. Our results reveal that PD patients comprehend arousal better than valence, and amongst emotion categories, extit{fear}, extit{disgust} and extit{surprise} less accurately, and extit{sadness} most accurately. Mislabeling analyses confirm confounds among opposite-valence emotions with PD data. Emotional EEG responses also achieve near-perfect PD vs HC recognition. {Cumulatively, our study demonstrates that (a) examining extit{implicit} responses alone enables (i) discovery of valence-related impairments in PD patients, and (ii) differentiation of PD from HC, and (b) emotional EEG analysis is an ecologically-valid, effective, facile and sustainable tool for PD diagnosis vis-á-vis self reports, expert assessments and resting-state analysis.}

연구 동기 및 목표

• 수동적 미디어 소비 중 감정적 뇌파 반응이 파킨슨병(PD) 환자에서 정서 처리 장애를 드러낼 수 있는지 조사하기 위해.
• 자기 보고나 전문가 평가에 의존하지 않고 감정 자극에서 유도된 뇌파 신호를 활용한 자동 PD 진단의 가능성을 평가하기 위해.
• 기본 기계학습 모델과 딥러닝 모델의 성능을 비교하여 정서 유형과 PD 대 건강한 대조군 상태를 분류하는 데에 사용하기 위해.
• PD 환자가 건강한 대조군과 비교해 특정 정서 유형과 차원적 특성(정서 평가, 각성도)에서 인식에 장애를 보이는지 확인하기 위해.
• 비침습적 EEG를 활용한 routine 감정 자극을 통한 PD 진단의 생태학적 타당성과 지속 가능성 평가하기 위해.

제안 방법

• 파킨슨병(PD) 환자와 건강한 대조군(HC)으로부터 감정 자극적인 영화 클립과 음악을 수동으로 시청하는 동안 뇌파 신호를 확보하였다.
• 저수준 뇌파 기술적 특성 추출: 특성 표현을 위한 스펙트럼 전력 벡터(SPV)와 일반화된 공간 패턴(CSP)을 추출하였다.
• 원시 뇌파를 2차원 및 3차원 이미지 유사 표현으로 변환하여 합성곱 신경망(CNN) 처리를 가능하게 하였다.
• 기본 기계학습 모델(예: SVM, 랜덤 포레스트)과 함께 1D, 2D, 3D 합성곱 신경망(CNN)을 적용하여 분류를 수행하였다.
• 정서의 차원적 특성(정서 평가 및 각성도)에 대해 이진 분류를, 정서 유형(예: 공포, 혐오, 슬픔)에 대해 다중 분류를 수행하였다.
• 특히 반대 정서 평가 정서 간의 혼동을 확인하기 위해 오표기 분석을 수행하였다.

실험 결과

연구 질문

• RQ1 수동적 미디어 노출 중 감정적 뇌파 신호가 높은 정확도로 파킨슨병(PD) 환자와 건강한 대조군을 구분할 수 있는가?
• RQ2 정서 평가 및 각성도 인식 측면에서 PD 환자의 정서 처리 능력은 건강한 대조군과 비교해 어떻게 다른가?
• RQ3 공포, 혐오, 슬픔 등의 정서 유형 중 PD 환자가 가장 정확하게 인식하고, 가장 오래 인식하지 못하는 것은 무엇인가?
• RQ4 PD 환자에서 정서 오표기 시스템적 오류가 존재하는가, 특히 반대 정서 평가 정서 간에 존재하는가?
• RQ5 뇌파 특성과 기계학습 모델의 어떤 조합이 정서 인식과 PD 분류 모두에서 최고의 성능을 내는가?

주요 결과

• 감정 뇌파 데이터에 2D-CNN를 적용하여 PD 대 건강한 대조군 분류에서 거의 완벽한 성능을 달성하였으며, 슬픔과 공포 정서에 대해 F1 스코어가 0.99였다.
• PD 환자는 혐오, 공포, 놀라움과 같은 저정서 평가 정서의 인식 정확도가 유의미하게 감소한 반면, 슬픔은 가장 정확하게 인식되었다.
• 오표기 분석 결과, PD 데이터에서 반대 정서 평가 정서(예: 긍정 대 부정) 간에 빈번한 혼동이 발생하는 것으로 나타났으며, 건강한 대조군에서는 이러한 패턴을 관찰할 수 없었다.
• PD 환자에서 각성도 인식 능력은 정서 평가보다 뛰어났으며, 각성도 분류 성능는 건강한 대조군과 유사했다.
• 기본 기계학습 모델에서 스펙트럼 전력 벡터(SPV)는 정서 인식에서 CSP보다 뛰어났지만, PD 분류에서는 CSP가 SPV를 능가하였다.
• 2D 및 3D-CNN 모델은 모든 작업에서 일관되게 최고의 성능를 보였으며, 이는 EEG 내에서의 시공간적 스펙트럼 패턴이 PD 관련 정서 차이를 최적으로 표현할 수 있음을 시사한다.