[논문 리뷰] Power Spectral Density-Based Resting-State EEG Classification of First-Episode Psychosis

Sadi Md. Redwan, Md Palash Uddin외 2명|arXiv (Cornell University)|2022. 11. 23.

EEG and Brain-Computer Interfaces인용 수 4

한 줄 요약

이 연구는 자율 상태 뇌전도도(EEG)를 이용한 전력 스펙트럼 밀도(PSD) 기반 분류 프레임워크를 제안하여, 처음 발병한 정신병(FEP) 환자와 건강한 대조군을 구분한다. 기계학습 모델—특히 가우시안 프로세스 분류기(GPC)—를 활용하여 특이도 95.78%를 달성하였으며, 자극에 의존하지 않는 특성으로서 PSD가 정신질환 분류에 있어 강력한 생물학적 지표가 됨을 보여준다.

ABSTRACT

Historically, the analysis of stimulus-dependent time-frequency patterns has been the cornerstone of most electroencephalography (EEG) studies. The abnormal oscillations in high-frequency waves associated with psychotic disorders during sensory and cognitive tasks have been studied many times. However, any significant dissimilarity in the resting-state low-frequency bands is yet to be established. Spectral analysis of the alpha and delta band waves shows the effectiveness of stimulus-independent EEG in identifying the abnormal activity patterns of pathological brains. A generalized model incorporating multiple frequency bands should be more efficient in associating potential EEG biomarkers with First-Episode Psychosis (FEP), leading to an accurate diagnosis. We explore multiple machine-learning methods, including random-forest, support vector machine, and Gaussian Process Classifier (GPC), to demonstrate the practicality of resting-state Power Spectral Density (PSD) to distinguish patients of FEP from healthy controls. A comprehensive discussion of our preprocessing methods for PSD analysis and a detailed comparison of different models are included in this paper. The GPC model outperforms the other models with a specificity of 95.78% to show that PSD can be used as an effective feature extraction technique for analyzing and classifying resting-state EEG signals of psychiatric disorders.

연구 동기 및 목표

• 자율 상태 EEG 전력 스펙트럼 밀도(PSD) 특징이 처음 발병한 정신병(FEP) 환자와 건강한 대조군을 효과적으로 구분할 수 있는지 조사한다.
• 다양한 기계학습 모델—랜덤 포레스트, 서포트 벡터 머신, 가우시안 프로세스 분류기(GPC)—이 PSD 특징을 이용해 FEP를 분류하는 데서의 성능을 평가한다.
• 신뢰할 수 있는 특징 추출을 보장하기 위해 자율 상태 EEG 데이터에서 PSD 분석을 위한 종합적인 사전처리 파이프라인을 수립한다.
• 자극에 의존하지 않는 EEG 신호를 이용해 병적 뇌 활동을 구분하는 데 가장 효과적인 주파수 대역(예: 알파, 델타)을 규명한다.

제안 방법

• 태스크 기반 자극 없이 FEP 환자와 건강한 대조군으로부터 자율 상태 EEG 데이터를 확보한다.
• 다양한 주파수 대역(예: 델타, 알파)에서 전력 스펙트럼 밀도(PSD)를 계산하기 위해 스펙트럼 분석을 적용한다.
• 신호 품질 확보를 위해 아티팩트 제거, 필터링, 세그먼테이션 등의 사전처리 단계를 수행한다.
• 기계학습 모델의 입력으로 표준화된 주파수 대역에서의 PSD 값으로 특징 추출을 수행한다.
• 랜덤 포레스트, 서포트 벡터 머신, 가우시안 프로세스 분류기(GPC)의 세 분류기 모델을 학습 및 검증한다.
• 최적의 분류 성능를 도출하기 위해 특이도, 민감도, ROC 곡선 아래 면적(AUC) 등의 지표를 사용해 모델 평가를 수행한다.

실험 결과

연구 질문

• RQ1 자율 상태 EEG의 전력 스펙트럼 밀도(PSD) 특징이 처음 발병한 정신병(FEP) 환자와 건강한 대조군을 신뢰성 있게 구분할 수 있는가?
• RQ2 랜덤 포레스트, 서포트 벡터 머신, 또는 가우시안 프로세스 분류기(GPC) 중 어떤 기계학습 모델이 PSD 특징을 이용해 FEP를 분류할 때 가장 높은 정확도를 보이는가?
• RQ3 델타, 알파 등 주파수 대역 중 어떤 것이 자율 상태 EEG에서 FEP 환자와 건강한 개인을 구분하는 데 가장 유의미하게 기여하는가?
• RQ4 단일 대역 분석에 비해 다중 대역 PSD 접근 방식이 FEP의 잠재적 EEG 생물학적 지표를 식별하는 데 얼마나 효과적인가?
• RQ5 정신질환 탐지에 있어 자율 상태 EEG의 PSD 추정 및 분류 성능을 최적화하는 데 가장 적합한 사전처리 파이프라인이 무엇인가?

주요 결과

• 가우시안 프로세스 분류기(GPC) 모델이 처음 발병한 정신병(FEP) 환자와 건강한 대조군을 구분할 때 가장 높은 특이도 95.78%를 기록하였다.
• 알파 및 델타 대역 전력의 스펙트럼 분석 결과, FEP 환자와 건강한 개인 간에 유의미한 차이가 나타났다.
• 일반화된 PSD 기반 모델에서 다수의 주파수 대역을 활용함으로써 FEP에서의 병적 뇌 활동 패턴 식별 능력이 향상되었다.
• 자율 상태 EEG 신호는 PSD를 통해 분석할 경우, 태스크 기반 자극이 필요 없이도 정신질환 분류에 충분한 구분 능력을 보였다.
• 종합적인 사전처리 파이프라인이 신호 품질 향상에 기여하였으며, 이는 PSD 특징 추출 및 모델 성능의 강건성에 기여하였다.
• 본 연구는 자율 상태 EEG의 PSD 기반 특징가 FEP의 잠재적 생물학적 지표를 식별하는 데 있어 타당하고 효과적인 방법임을 확인하였다.