[논문 리뷰] EEG machine learning with Higuchi fractal dimension and Sample Entropy as features for successful detection of depression

Milena Čukić, David D. Pokrajac외 4명|arXiv (Cornell University)|2018. 03. 15.

EEG and Brain-Computer Interfaces참고 문헌 56인용 수 28

한 줄 요약

이 연구는 뇌파 신호에서 비선형 특징으로서 히구치 프랙탈 차원(HFD)과 샘플 엔트로피(SampEn)를 추출하여 우울증을 탐지하는 기계학습 프레임워크를 제안한다. 일곱 가지 분류기로 구성된 접근 방식은 90.24%에서 97.56%의 정확도를 달성하였으며, 이는 SampEn이 HFD를 능가했고, 낮은 차원의 주성분 수로도 우울증 환자와 건강한 대조군 간의 높은 분류 성능 유지를 가능하게 했다고 보여준다.

ABSTRACT

Reliable diagnosis of depressive disorder is essential for both optimal treatment and prevention of fatal outcomes. In this study, we aimed to elucidate the effectiveness of two non-linear measures, Higuchi Fractal Dimension (HFD) and Sample Entropy (SampEn), in detecting depressive disorders when applied on EEG. HFD and SampEn of EEG signals were used as features for seven machine learning algorithms including Multilayer Perceptron, Logistic Regression, Support Vector Machines with the linear and polynomial kernel, Decision Tree, Random Forest, and Naive Bayes classifier, discriminating EEG between healthy control subjects and patients diagnosed with depression. We confirmed earlier observations that both non-linear measures can discriminate EEG signals of patients from healthy control subjects. The results suggest that good classification is possible even with a small number of principal components. Average accuracy among classifiers ranged from 90.24% to 97.56%. Among the two measures, SampEn had better performance. Using HFD and SampEn and a variety of machine learning techniques we can accurately discriminate patients diagnosed with depression vs controls which can serve as a highly sensitive, clinically relevant marker for the diagnosis of depressive disorders.

연구 동기 및 목표

• 우울증 환자의 뇌파 신호와 건강한 대조군 간의 차이를 구분하기 위해 비선형 뇌파 특징인 히구치 프랙탈 차원(HFD)과 샘플 엔트로피(SampEn)의 효과성을 평가하기 위해.
• HFD와 SampEn 특징을 기반으로 훈련된 다수의 기계학습 알고리즘의 성능을 평가하기 위해.
• 이러한 특징에서 유도된 주성분의 수를 줄였을 때도 높은 분류 정확도를 유지할 수 있는지 확인하기 위해.
• HFD와 SampEn이 우울성 장애 진단에 임상적으로 관련성이 있으며 민감한 생물학적 마커가 될 수 있는지 규명하기 위해.

제안 방법

• 뇌파 시간 시리즈에서 히구치 프랙탈 차원(HFD)을 계산하여 신호의 복잡성과 프랙탈 성질을 정량화하였다.
• 샘플 엔트로피(SampEn)를 계산하여 뇌파 신호의 규칙성과 예측 불가능성을 평가하였다.
• 우울증 환자와 건강한 대조군의 뇌파 기록에서 HFD와 SampEn 값의 조합으로 이루어진 특징 벡터를 추출하였다.
• 주성분 분석(PCA)을 적용하여 차원을 감소시키면서도 분류에 유용한 정보를 유지하였다.
• 다층 퍼셉트론, 로지스틱 회귀, 선형 및 다항식 커널을 사용한 서포트 벡터 머신(SVM), 의사결정나무, 랜덤 포레스트, 나이브 베이즈 등 일곱 가지 기계학습 분류기를 사용하여 감소된 특징 집합에 대해 훈련 및 평가하였다.
• 정확도를 사용하여 분류 성능을 평가하였으며, 정확도를 높이기 위해 교차 검증을 실시하였다.

실험 결과

연구 질문

• RQ1 히구치 프랙탈 차원과 샘플 엔트로피는 우울증 환자와 건강한 대조군 간의 뇌파 신호를 효과적으로 구분할 수 있는가?
• RQ2 HFD와 SampEn을 입력 특징으로 사용할 때, 어떤 기계학습 알고리즘이 가장 우수한 성능을 보이는가?
• RQ3 이러한 비선형 뇌파 특징을 사용할 때, 높은 분류 정확도를 유지하기 위해 필요한 주성분의 수는 몇 개인가?
• RQ4 샘플 엔트로피가 히구치 프랙탈 차원보다 우울증 관련 뇌파 패턴을 더 잘 분류하는가?

주요 결과

• HFD와 SampEn 특징의 조합은 일곱 가지 기계학습 모델에서 90.24%에서 97.56%의 분류 정확도를 기록하였다.
• 샘플 엔트로피는 건강한 대조군과의 비교에서 우울증 환자의 뇌파 신호를 더 잘 구분하는 데 있어 히구치 프랙탈 차원보다 뛰어난 성능을 보였다.
• 낮은 차원의 주성분 수로도 높은 분류 정확도를 유지할 수 있었으며, 이는 저차원 특징 표현에서도 강력한 분류 능력을 지녔음을 시사한다.
• 결과적으로 HFD와 SampEn는 뇌파 동역학에서 우울증 관련 변화를 탐지하는 데 효과적인 비선형 측정치임을 확인하였다.
• 본 연구는 HFD와 SampEn가 EEG와 기계학습을 활용한 우울증 진단에 있어 매우 민감하고 임상적으로 관련성이 높은 생물학적 마커로 기능할 수 있음을 규명하였다.