[논문 리뷰] Classification of EEG-Based Brain Connectivity Networks in Schizophrenia Using a Multi-Domain Connectome Convolutional Neural Network

Chun‐Ren Phang, Chee‐Ming Ting외 2명|arXiv (Cornell University)|2019. 03. 21.

Functional Brain Connectivity Studies인용 수 48

한 줄 요약

본 논문은 시간 영역 VAR, 주파수 영역 PDC, 그리고 EEG로부터의 위상 CN 특징을 융합하는 다도메인 연결체 CNN MDC-CNN을 제시하여 schizophrenia와 건강대조군을 분류하고 SVM 및 단일 도메인 CNN보다 우수한 성능을 보인다.

ABSTRACT

We exploit altered patterns in brain functional connectivity as features for automatic discriminative analysis of neuropsychiatric patients. Deep learning methods have been introduced to functional network classification only very recently for fMRI, and the proposed architectures essentially focused on a single type of connectivity measure. We propose a deep convolutional neural network (CNN) framework for classification of electroencephalogram (EEG)-derived brain connectome in schizophrenia (SZ). To capture complementary aspects of disrupted connectivity in SZ, we explore combination of various connectivity features consisting of time and frequency-domain metrics of effective connectivity based on vector autoregressive model and partial directed coherence, and complex network measures of network topology. We design a novel multi-domain connectome CNN (MDC-CNN) based on a parallel ensemble of 1D and 2D CNNs to integrate the features from various domains and dimensions using different fusion strategies. Hierarchical latent representations learned by the multiple convolutional layers from EEG connectivity reveal apparent group differences between SZ and healthy controls (HC). Results on a large resting-state EEG dataset show that the proposed CNNs significantly outperform traditional support vector machine classifiers. The MDC-CNN with combined connectivity features further improves performance over single-domain CNNs using individual features, achieving remarkable accuracy of $93.06\%$ with a decision-level fusion. The proposed MDC-CNN by integrating information from diverse brain connectivity descriptors is able to accurately discriminate SZ from HC. The new framework is potentially useful for developing diagnostic tools for SZ and other disorders.

연구 동기 및 목표

• EEG 기반 뇌 연결성 패턴의 변화로 정신분열증을 자동으로 구분하려는 동기를 제시한다.
• 여러 연결 도메인을 결합하는 것이 단일 도메인 접근법보다 분류 성능을 향상시키는지 조사한다.
• 시간-도메인, 주파수 도메인 및 위상(토폴로지) 연결 특징을 융합할 수 있는 딥러닝 아키텍처를 개발한다.
• 휴지상태(resting-state) EEG 데이터에서 MDC-CNN의 성능을 전통적 분류기 및 단일 도메인 모델과 비교 평가한다.

제안 방법

• 다채널 EEG로부터 VAR 계수(시간 도메인) 및 PDC(주파수 도메인)를 이용해 방향성 연결 특징을 추출한다.
• 연결 행렬에서 복합 네트워크 지표(차수, 글로벌 효율성, 클러스터링, 트랜지티비티)를 위상 특징으로 계산한다.
• VAR 및 PDC 행렬용 2개의 2D-CNN과 CN 특징용 1D-CNN을 병렬로 갖춘 MDC-CNN을 개발한다.
• 특징 수준 융합, 점수 수준 융합, 의사 결정 수준 융합의 세 가지 융합 전략을 탐색한다.
• Adam 최적화기, 500 에폭, 완전 연결 계층의 드롭아웃, SZ vs. HC 분류를 위한 교차 엔트로피 손실로 모델을 학습한다.

실험 결과

연구 질문

• RQ1 EEG 기반 방향성 연결 측정이 정신분열증과 건강대조군을 구분할 수 있는가?
• RQ2 시간 도메인, 주파수 도메인, 위상 연결 특징을 통합하는 것이 분류 정확도를 향상시키는가?
• RQ3 다도메인 연결계 분류에서 어떤 융합 전략이 최상의 성능을 내는가?
• RQ4 휴지상태 EEG 데이터에서 MDC-CNN가 SVM 및 단일 도메인 CNN 방법과 어떻게 비교되는가?

주요 결과

• 결합 특징을 가진 MDC-CNN은 의사 결정 수준 융합을 사용하여 최고 정확도 92.87%(수정값 93.06%)를 달성했다.
• 시간 도메인 VAR 특징만으로도 높은 정확도를 달성했다(CNN: 90.59%; 모든 밴드의 SVM: 88.19% 수정값), 여러 설정에서 주파수 도메인 PDC보다 우수했다.
• CN 위상 특징은 대부분의 밴드에서 VAR 또는 PDC보다 성능이 낮았지만 보완 정보를 제공했다.
• VAR, PDC, CN의 다수결 융합은 모든 특징 세트에서 단일 도메인 CNN 및 SVM보다 우수했다.
• 전 밴드 PDC 기반 CNN은 일부 구성에서 최대 89.19% 정확도, 93.33% 민감도 및 93.33% 특이도를 달성했다.
• 의사 결정 수준 융합이 융합 전략들 가운데 일관되게 정확도와 강건성의 최적 트레이드오프를 제공했다.