[論文レビュー] AI Neurotechnology for Aging Societies -- Task-load and Dementia EEG Digital Biomarker Development Using Information Geometry Machine Learning Methods

Tomasz M. Rutkowski, Qibin Zhao+2 more|arXiv (Cornell University)|Nov 30, 2018

EEG and Brain-Computer Interfaces参考文献 16被引用数 7

ひとこと要約

本論文は、低負荷および高負荷タスク条件下におけるEEG由来のイベント関連電位（ERP）を分類する情報幾何に基づく機械学習フレームワークを提案する。このフレームワークは、早期 dementia 関連の脳波異常をモデル化することを目的としている。共分散行列のリーマン幾何学と接空間マッピングを用いることで、単一ユーザーおよび転移学習の設定において70％を超える分類精度を達成し、認知症モニタリングにおけるデジタルバイオマーカー開発の強力な可能性を示している。

ABSTRACT

Dementia and especially Alzheimer's disease (AD) are the most common causes of cognitive decline in elderly people. A spread of the above mentioned mental health problems in aging societies is causing a significant medical and economic burden in many countries around the world. According to a recent World Health Organization (WHO) report, it is approximated that currently, worldwide, about 47 million people live with a dementia spectrum of neurocognitive disorders. This number is expected to triple by 2050, which calls for possible application of AI-based technologies to support an early screening for preventive interventions and a subsequent mental wellbeing monitoring as well as maintenance with so-called digital-pharma or beyond a pill therapeutical approaches. This paper discusses our attempt and preliminary results of brainwave (EEG) techniques to develop digital biomarkers for dementia progress detection and monitoring. We present an information geometry-based classification approach for automatic EEG-derived event related responses (ERPs) discrimination of low versus high task-load auditory or tactile stimuli recognition, of which amplitude and latency variabilities are similar to those in dementia. The discussed approach is a step forward to develop AI, and especially machine learning (ML) approaches, for the subsequent application to mild-cognitive impairment (MCI) and AD diagnostics.

研究の動機と目的

• 非侵襲的EEGモニタリングを用いて、AI駆動のデジタルバイオマーカーを早期認知症検出に開発すること。
• 聴覚および触覚刺激パラダイムにおけるタスク負荷の変調を用いて、認知症に類似した脳波パターンをモデル化すること。
• 情報幾何に基づく機械学習を用いて、認知機能低下を示すERP反応を分類すること。
• 強固で転移可能なEEGバイオマーカーを用いて、継続的かつ家庭での認知モニタリングを可能にすること。
• 健常被験者を対象にした妥当性評価を経て、軽度認知障害または認知症を有する臨床的対象群への拡張を図ること。

提案手法

• 本研究では、EEG信号から導出された対称正定値（SPD）共分散行列のリーマン幾何学を用いて、ERP特徴を表現する。
• 情報幾何に基づく特徴は、共分散行列の多様体上でのアフィン不変リーマン距離（リーマン幾何学、RG）を用いて抽出される。
• 地図上の測地線距離に基づき、クラス平均への最小距離（MDM）分類器を用いて、ERP反応を低負荷および高負荷タスクのカテゴリに分類する。
• RG特徴をユークリッド空間に変換するための接空間マッピングが、線形SVMやロジスティック回帰などの標準分類器との互換性を確保するために適用される。
• 本手法は、古典的なベクトル化された時間領域ERP特徴、xDAWN空間フィルタリング、およびrLDA、線形SVM、シグモイドSVM、rbfSVMを含む複数の分類器と比較される。
• 単一ユーザーおよび転移学習のシナリオにおける性能評価には、10％のテストセットを用いた交差検証が用いられる。

実験結果

リサーチクエスチョン

• RQ1 情報幾何に基づく機械学習は、低負荷および高負荷タスク条件下におけるEEG ERP反応を効果的に分類できるか？
• RQ2 リーマン幾何学に基づく特徴は、従来の時間領域ERP特徴と比較して、タスク負荷状態の分類においてどの程度優れているか？
• RQ3 単一ユーザーで訓練された分類器が、転移学習の設定において、異なる被験者間でどの程度一般化できるか？
• RQ4 接空間マッピングを線形およびカーネルベースの分類器と組み合わせることで、分類精度が向上するか？
• RQ5 提案手法は、P300の遅延および振幅ばらつきといった、早期認知症に類似したERP異常を十分に感度を持ってモデル化できるか？

主な発見

• 提案された情報幾何に基づく手法は、単一ユーザー設定における聴覚および触覚のタスク負荷識別において、中央値として70％を超える交差検証分類精度を達成した。
• 接空間マッピングをロジスティック回帰および線形SVMと組み合わせた場合、ほとんどのケースでMDM分類器および時間領域特徴よりも優れた性能を示した。
• 径路基底関数SVMは、聴覚ケースを除き、接空間ベースの線形SVMと同等の性能を示したが、その差は有意ではなかった。
• 被験者間一般化試行では、結果が偶然レベル（0.5）と有意差のない水準にとどまり、微調整なしでは被験者間での転送性が限定的であることが示された。
• 非パラメトリックなウィルコクソン対応検定（p < 0.05）により、ベースライン手法よりも統計的に有意な改善が確認された。
• 結果は、タスク負荷によって変調されるERP反応を、認知症関連の脳波変化の代理指標として用いる可能性を支持しており、今後の個別化されたデジタルバイオマーカー開発に向けた基盤を提供する。