[论文解读] A study of resting-state EEG biomarkers for depression recognition

Shuting Sun, Jianxiu Li+4 more|arXiv (Cornell University)|Feb 23, 2020

Functional Brain Connectivity Studies参考文献 37被引用 20

一句话总结

本研究利用来自24名MDD患者和29名对照组的128导联静息态EEG数据，调查了用于重度抑郁障碍（MDD）识别的EEG生物标志物。基于相位滞后指数（PLI）的功能连接特征优于线性和非线性特征，结合ReliefF特征选择与逻辑回归方法，分类准确率达到82.31%，尤其凸显了半球内PLI连接作为MDD关键生物标志物的作用。

ABSTRACT

Background: Depression has become a major health burden worldwide, and effective detection depression is a great public-health challenge. This Electroencephalography (EEG)-based research is to explore the effective biomarkers for depression recognition. Methods: Resting state EEG data was collected from 24 major depressive patients (MDD) and 29 normal controls using 128 channel HydroCel Geodesic Sensor Net (HCGSN). To better identify depression, we extracted different types of EEG features including linear features, nonlinear features and functional connectivity features phase lagging index (PLI) to comprehensively analyze the EEG signals in patients with MDD. And using different feature selection methods and classifiers to evaluate the optimal feature sets. Results: Functional connectivity feature PLI is superior to the linear features and nonlinear features. And when combining all the types of features to classify MDD patients, we can obtain the highest classification accuracy 82.31% using ReliefF feature selection method and logistic regression (LR) classifier. Analyzing the distribution of optimal feature set, it was found that intrahemispheric connection edges of PLI were much more than the interhemispheric connection edges, and the intrahemispheric connection edges had a significant differences between two groups. Conclusion: Functional connectivity feature PLI plays an important role in depression recognition. Especially, intrahemispheric connection edges of PLI might be an effective biomarker to identify depression. And statistic results suggested that MDD patients might exist functional dysfunction in left hemisphere.

研究动机与目标

• 利用静息态EEG信号识别重度抑郁障碍（MDD）的可靠EEG生物标志物。
• 比较线性、非线性和功能连接EEG特征在区分MDD患者与健康对照组方面的判别能力。
• 确定最佳特征组合与机器学习方法，以实现准确的MDD分类。
• 研究MDD患者中功能连接模式的半球差异。

提出的方法

• 使用HydroCel Geodesic Sensor Net采集24名MDD患者和29名健康对照组的128导联静息态EEG数据。
• 提取三类EEG特征：线性特征（如功率谱密度）、非线性特征（如样本熵）以及基于相位滞后指数（PLI）的功能连接特征。
• 应用多种特征选择方法，包括ReliefF，以识别最具信息量的特征。
• 采用逻辑回归（LR）作为主要分类器，评估不同特征集的性能表现。
• 分析最优特征的空间分布，以识别显著的连接模式，特别是半球内与半球间连接。
• 对MDD组与对照组之间的PLI特征差异进行统计比较，评估其显著性。

实验结果

研究问题

• RQ1 在MDD患者与健康对照组之间，线性、非线性或功能连接特征中哪一类具有最佳判别能力？
• RQ2 结合多种EEG特征类型是否能提高MDD检测的分类准确率？
• RQ3 在PLI中，半球内功能连接模式是否比半球间模式更具信息量，以识别MDD？
• RQ4 MDD患者中，左半球是否表现出更明显的功能连接障碍？

主要发现

• 基于相位滞后指数（PLI）的功能连接特征在分类MDD方面显著优于线性和非线性EEG特征。
• 通过ReliefF特征选择方法与逻辑回归结合，在完整特征集上实现了最高的分类准确率82.31%。
• 最优特征集中包含显著更多的半球内PLI连接，而非半球间连接，表明半球内网络在MDD中起更强作用。
• 半球内PLI连接在MDD患者与对照组之间表现出统计学上的显著差异，提示其潜在作为生物标志物的价值。
• 统计分析表明，MDD患者中可能存在左半球的功能性失调。