[논문 리뷰] Machine Learning Approaches for Detecting the Depression from Resting-State Electroencephalogram (EEG): A Review Study

Milena Čukić, Lopez, Victoria Lopez|arXiv (Cornell University)|2019. 09. 06.

EEG and Brain-Computer Interfaces참고 문헌 82인용 수 7

한 줄 요약

이 리뷰는 휴식 상태 뇌전도(EEG)를 이용한 우울증 탐지에 대한 기계학습 기반 접근법을 평가하며, 비선형 신호 분석과 지도 학습 모델을 융합한다. 파wer 스펙트럼과 엔트로피와 같은 특징을 사용한 고정확도 분류가 가능하며, 임상적 신뢰성과 재현 가능성을 향상시키기 위해 표준화 지침을 제안한다.

ABSTRACT

In this paper, we aimed at reviewing present literature on employing nonlinear analysis in combination with machine learning methods, in depression detection or prediction task. We are focusing on an affordable data-driven approach, applicable for everyday clinical practice, and in particular, those based on electroencephalographic (EEG) recordings. Among those studies utilizing EEG, we are discussing a group of applications used for detecting the depression based on the resting state EEG (detection studies) and interventional studies (using stimulus in their protocols or aiming to predict the outcome of therapy). We conclude with a discussion and review of guidelines to improve the reliability of developed models that could serve the improvement of diagnostic and more accurate treatment of depression.

연구 동기 및 목표

• 임상 환경에서 휴식 상태 뇌전도(EEG)와 기계학습 기법을 융합한 우울증 탐지 기술의 현재 수준을 평가하기 위해.
• 휴식 상태 뇌전도(EEG)에서 얻은 특징과 모델 중 우울증 환자와 건강한 개인을 구분하는 데 효과적인 것을 규명하기 위해.
• 자극 또는 치료 반응 예측을 통한 간섭 연구를 통해 진단 정확도를 향상시키는 방법을 평가하기 위해.
• 기계학습 기반 뇌전도(EEG) 기반 우울증 탐지 시스템의 모델 신뢰성, 재현 가능성 및 임상 적용을 향상시키기 위한 표준화 지침을 제안하기 위해.
• 작은 표본 크기와 교차 검증 부족과 같은 기존 연구의 한계를 해결하여 강력한 모델 개발을 지원하기 위해.

제안 방법

• 2000년에서 2019년 사이에 발표된 기계학습 기반 뇌전도(EEG) 기반 우울증 탐지에 관한 동료 심사 논문을 대상으로 한 체계적 리뷰.
• 외부 자극 없이 수집된 휴식 상태 뇌전도(EEG) 기록에 중점을 두며, 데이터 기반의 저비용 임상 적용 가능성을 강조한다.
• 근사 엔트로피, 샘플 엔트로피, 프랙탈 차원과 같은 비선형 역학적 특징과 함께 델타, 테타, 알파, 베타, 감마 파워 대역을 포함한 스펙트럼 파wer 대역을 사용한 연구를 포함한다.
• 추출된 뇌전도(EEG) 특징에 대해 지도 학습 분류기(SVM, 랜덤 포레스트, k-NN, 딥 러닝 모델(CNN, RNN 등)을 적용한다.
• 정확도, 민감도, 특이도, AUC-ROC 및 교차 검증 기법을 사용한 표준 지표로 모델 성능을 평가한다.
• 특징 선택, 데이터 전처리 및 모델 검증과 같은 방법론적 최선의 실천 방안을 통합하여 모델의 신뢰성을 향상시킨다.

실험 결과

연구 질문

• RQ1 휴식 상태 뇌전도(EEG) 신호에서 우울증을 분류하는 데 있어 어떤 기계학습 모델이 가장 높은 정확도를 달성하는가?
• RQ2 우울증 환자와 비우울 상태 개인을 구분하는 데 가장 유용한 비선형 뇌전도(EEG) 특징은 무엇인가?
• RQ3 자극 또는 치료 반응 예측을 통한 간섭 연구 모델은 휴식 상태 탐지 모델에 비해 성능에서 어떻게 비교되는가?
• RQ4 현재 기반 뇌전도(EEG) 기반 우울증 탐지 연구에서 임상 적용을 저해하는 방법론적 격차는 무엇인가?
• RQ5 기반 뇌전도(EEG) 기반 우울증 탐지 모델의 재현 가능성과 신뢰성을 향상시키기 위한 표준화 지침은 무엇인가?

주요 결과

• 비선형 뇌전도(EEG) 특징을 사용한 기계학습 모델은 여러 연구에서 80%에서 95% 이상의 분류 정확도를 달성했다.
• 샘플 엔트로피, 근사 엔트로피, 테타 및 알파 대역의 파워 비율과 같은 특징은 우울증 탐지에 강력한 구분 능력을 보였다.
• SVM과 랜덤 포레스트 분류기는 k-NN와 같은 단순 모델에 비해 민감도와 특이도 측면에서 일관되게 뛰어난 성능을 보였다.
• 딥 러닝 모델, 특히 뇌전도(EEG) 시간-주파수 표현에 적용된 CNN은 높은 성능을 보였지만 더 큰 데이터셋과 계산 자원이 필요했다.
• 엄격한 교차 검증과 독립 테스트 세트를 사용한 연구는 검증 없이 진행된 연구에 비해 더 신뢰할 수 있고 일반화 능력이 뛰어난 결과를 보였다.
• 통제된 환경에서의 높은 정확도에도 불구하고 대부분의 모델는 외부 검증과 표준화를 겪지 못해 실제 임상 적용에 한계가 있었다.