[논문 리뷰] Major Depressive Disorder Recognition and Cognitive Analysis Based on Multi-layer Brain Functional Connectivity Networks

Xiaofang Sun, Xiangwei Zheng외 3명|arXiv (Cornell University)|2021. 11. 02.

Functional Brain Connectivity Studies참고 문헌 5인용 수 10

한 줄 요약

이 연구는 단일 주파수 대역에서의 기능적 연결성을 고려하지 못하는 한계를 보완하기 위해 단계별 뇌 기능적 연결망(MBFCN)을 제안한다. 이는 단계별로 Phase Lag Index(PLI)와 Phase Locked Value(PLV) 기반의 기능적 연결망 특징을 융합하고, SVM를 적용하여 92.86%의 정확도를 달성하였다. 주요 발견으로는 MDD 진단에 있어 Alpha-Beta1 주파수 대역이 핵심이며, 오른쪽 전두엽-측두엽 연결성 결핍이 인지적 생물학적 지표로 확인되었다.

ABSTRACT

On the increase of major depressive disorders (MDD), many researchers paid attention to their recognition and treatment. Existing MDD recognition algorithms always use a single time-frequency domain method method, but the single time-frequency domain method is too simple and is not conducive to simulating the complex link relationship between brain functions. To solve this problem, this paper proposes a recognition method based on multi-layer brain functional connectivity networks (MBFCN) for major depressive disorder and conducts cognitive analysis. Cognitive analysis based on the proposed MBFCN finds that the Alpha-Beta1 frequency band is the key sub-band for recognizing MDD. The connections between the right prefrontal lobe and the temporal lobe of the extremely depressed disorders (EDD) are deficient in the brain functional connectivity networks (BFCN) based on phase lag index (PLI). Furthermore, potential biomarkers by the significance analysis of depression features and PHQ-9 can be found.

연구 동기 및 목표

• MDD에서 복잡한 뇌 기능적 상호작용을 포괄하지 못하는 단일층 뇌 기능적 연결망의 한계를 해결하기 위해.
• PLI 및 PLV 기반 기능적 연결망에서 유도된 특징을 융합하여 MDD 진단의 안정성과 정확도를 향상시키기 위해.
• 기능적 연결 패턴의 인지 분석을 통해 MDD와 관련된 주요 주파수 대역과 뇌 영역을 규명하기 위해.
• PHQ-9 점수와 네트워크 토폴로지 특징을 이용해 우울증 심각도와 관련된 잠재적 신경생리학적 생물학적 지표를 발견하기 위해.

제안 방법

• 웨이블릿 패킷 변환(WPT)을 사용하여 EEG 신호를 6개 주파수 대역(Theta, Alpha, Beta1, Beta2, Alpha-Beta1, All bands)으로 분해하고, db20 웨이블릿을 적용한다.
• PLI를 사용하여 단계 간 위상 동기화 비대칭성을 측정하고, PLV를 사용하여 EEG 채널 간 위상 고정 정도를 평가하여 뇌 기능적 연결망(BFCN)을 구축한다.
• 텐서 기반 임계 처리 방법을 적용하여 가중 연결 행렬을 이진 뇌 네트워크로 변환하고, 토폴로지 특징을 추출한다.
• 이진 네트워크에서 5개의 전역 특징(클러스터링 계수, 평균 최단 경로 길이, 비슷한 연결 정도, 전역 효율성, 국소 효율성)과 2개의 국소 특징(중간성 중심성, 노드 차수)을 추출한다.
• PLI 및 PLV 기반 특징을 특징 수준에서 융합하여 인식 안정성과 강건성을 향상시킨다.
• 단일층 및 융합된 다층 BFCN 특징을 기반으로 SVM 분류기를 훈련하여 MDD 대 조건군 분류를 수행한다.

실험 결과

연구 질문

• RQ1 다층 기능적 연결망을 사용할 때, EEG 신호의 어떤 주파수 대역이 MDD 식별에 가장 유의미한가?
• RQ2 극도의 우울증 장애(EDD) 집단을 포함한 MDD 환자와 건강한 대조군 간 뇌 기능적 연결 패턴은 어떻게 다른가?
• RQ3 오른쪽 전두엽 및 측두엽 영역은 MDD 관련 기능적 연결 결핍에서 어떤 역할을 하는가?
• RQ4 PLI 및 PLV 기반 BFCN의 토폴로지 특징은 PHQ-9 우울증 심각도 점수와 통계적으로 유의미하게 관련이 있는가?
• RQ5 PLI 및 PLV 기반 BFCN의 특징 수준 융합은 단일층 네트워크보다 MDD 인식 정확도를 향상시키는가?

주요 결과

• 다층 BFCN 융합 방법은 Alpha-Beta1 주파수 대역에서 MDD 진단 정확도 92.86%를 기록하여 단일층 네트워크보다 뛰어난 성능을 보였다.
• Alpha-Beta1 주파수 대역은 단일층 및 다층 구성 모두에서 MDD 진단에 가장 유의미한 하위대역으로 규명되었으며, 다른 주파수 대역보다 뛰어난 성능을 보였다.
• PLI 기반 BFCN에서 극도의 우울증 장애(EDD) 환자는 오른쪽 전두엽-측두엽 간에 유의미한 연결성 결핍을 보였으며, 이는 이 영역에서 핵심 신경 기능 결함임을 시사한다.
• PLI 기반 BFCN에서 유도된 7개의 전역 토폴로지 특징 모두가 PHQ-9 점수와 통계적으로 유의미한 차이(p < 0.005)를 보였으며, 생물학적 지표 잠재력이 있음을 시사한다.
• PLV 기반 BFCN는 All bands에서 노드 차수를 제외한 대부분의 특징에서 유의미한 차이를 보였으며, 부분적인 생물학적 지표 잠재력은 있으나 PLI 기반 특징만큼 일관되지는 않았다.
• 인지 분석 결과, 우울증 심각도가 증가할수록 기능적 연결성이 점차 더 심각하게 손상되며, 특히 오른쪽 전 frontal 및 측두엽 영역에서 두드러진다.