[论文解读] A Data Driven Approach for Resting-state EEG signal Classification of Schizophrenia with Control Participants using Random Matrix Theory

Haichun Liu, Tianhong Zhang+5 more|arXiv (Cornell University)|Dec 13, 2017

EEG and Brain-Computer Interfaces参考文献 13被引用 15

一句话总结

本研究提出一种基于数据驱动的机器学习方法，利用随机矩阵理论（RMT）对精神分裂症静息态脑电信号进行分类。通过应用马尔琴科-帕斯特尔（Marchenko-Pastur）定律将脑电信号协方差矩阵分解为信号子空间与噪声子空间，并采用线性特征值统计（LES）结合冯·诺依曼熵作为检验函数，利用支持向量机（SVM）分类方法，在区分健康对照组与首次发作精神分裂症患者时，最高准确率达91.16%。

ABSTRACT

Resting state electroencephalogram (EEG) abnormalities in clinically high-risk individuals (CHR), clinically stable first-episode patients with schizophrenia (FES), healthy controls (HC) suggest alterations in neural oscillatory activity. However, few studies directly compare these anomalies among each types. Therefore, this study investigated whether these electrophysiological characteristics differentiate clinical populations from one another, and from non-psychiatric controls. To address this question, resting EEG power and coherence were assessed in 40 clinically high-risk individuals (CHR), 40 first-episode patients with schizophrenia (FES), and 40 healthy controls (HC). These findings suggest that resting EEG can be a sensitive measure for differentiating between clinical disorders.This paper proposes a novel data-driven supervised learning method to obtain identification of the patients mental status in schizophrenia research. According to Marchenko-Pastur Law, the distribution of the eigenvalues of EEG data is divided into signal subspace and noise subspace. A test statistic named LES that embodies the characteristics of all eigenvalues is adopted. different classifier and different feature(LES test function) are selected for experiments, we have shown that using von Neumann Entropy as LES test function combine with SVM classifier could obtain the best average classification accuracy during three classification among HC, FES and CHR of Schizophrenia group with EEG signal. It is worth noting that the result of LES feature extraction with the highest classification accuracy is around 90% in two classification(HC compare with FES) and around 70% in three classification. Where the classification accuracy higher than 70% could be used to assist clinical diagnosis.

研究动机与目标

• 开发一种稳健的、无需人工特征工程的、基于数据驱动的静息态脑电信号分类方法，用于精神分裂症的诊断。
• 探究脑电信号功率与相干性等电生理差异是否能够有效区分临床高风险（CHR）、首次发作精神分裂症（FES）及健康对照（HC）受试者。
• 应用随机矩阵理论从脑电信号协方差矩阵中提取内在信号特征，实现信号子空间与噪声子空间的分离。
• 评估多种LES检验函数与分类器在基于脑电数据区分精神疾病亚型中的性能表现。
• 确定最优的特征提取窗长，以在保持分类准确率的同时最小化估计误差。

提出的方法

• 从非重叠、平稳的脑电段（5分钟记录划分为约1000个窗口）构建矩阵集合，以建模随时间变化的脑活动动态。
• 应用马尔琴科-帕斯特尔（MP）定律，确定随机协方差矩阵的理论特征值分布，从而实现信号与噪声子空间的分离。
• 定义一种基于脑电信号协方差矩阵特征值的线性特征值统计（LES）检验函数，以总结其谱特性。
• 评估多种检验函数（如冯·诺依曼熵、迹及其他函数），以识别对分类最具信息量的特征。
• 采用支持向量机（SVM）作为主要分类器，基于HC、FES和CHR组中提取的LES特征进行训练。
• 通过调整窗长（ΔT 从100至5000 ms）优化特征提取过程，评估其对分类准确率的影响。

实验结果

研究问题

• RQ1 静息态脑电信号能否可靠地区分健康对照组、首次发作精神分裂症患者及临床高风险个体？
• RQ2 在基于RMT的精神病分类中，哪种LES检验函数最能捕捉具有判别力的脑电特征？
• RQ3 脑电信号窗长如何影响分类系统的准确率？
• RQ4 基于RMT的数据驱动方法是否能优于传统脑电分析方法，在精神分裂症亚型分类中表现更优？
• RQ5 为最大化分类准确率，最优的特征提取（LES函数）与分类器组合是什么？

主要发现

• 采用冯·诺依曼熵作为LES检验函数，并结合SVM分类，可在区分健康对照组与首次发作精神分裂症患者时达到最高的91.16%准确率。
• 在三分类任务（HC vs. FES vs. CHR）中，使用相同冯·诺依曼熵与SVM组合的最高准确率达到73.31%。
• 特征提取的最优窗长为ΔT = 200 ms，该窗长下分类准确率最高，与经典统计准则（3–8倍维度）一致。
• 当窗长超过200 ms后，分类准确率下降，表明过长的窗长会降低样本协方差矩阵的估计质量。
• 冯·诺依曼熵在所有分类任务中均优于其他检验函数（如迹、线性函数），更能有效捕捉具有判别力的脑电特征。
• 三分类任务中准确率超过70%，两分类任务中准确率超过90%，表明该方法在精神分裂症诊断支持方面具有临床应用潜力。