[论文解读] 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 7

一句话总结

本文提出了一种基于信息几何的机器学习框架，用于在低任务负荷与高任务负荷条件下分类由脑电图（EEG）衍生的事件相关电位（ERPs），以建模早发性痴呆相关的脑电波异常。通过协方差矩阵的黎曼几何与切空间映射，该方法在单用户和迁移学习设置下均实现了超过70%的分类准确率，展现出在痴呆监测中开发数字生物标志物的强大潜力。

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.

研究动机与目标

• 开发基于人工智能的数字生物标志物，用于通过非侵入性EEG监测实现早发性痴呆的检测。
• 通过听觉和触觉刺激范式中的任务负荷调节，建模类似痴呆的脑电波模式。
• 应用基于信息几何的机器学习方法，对反映认知衰退的ERP反应进行分类。
• 通过稳健且可迁移的EEG生物标志物，实现在家环境中持续的、连续的认知监测。
• 在健康受试者上验证该方法，随后扩展至轻度认知障碍或痴呆的临床人群。

提出的方法

• 本研究采用从EEG信号中提取的对称正定（SPD）协方差矩阵的黎曼几何，以表征ERP特征。
• 基于信息几何的方法，利用协方差矩阵流形上的仿射不变黎曼距离（黎曼几何，RG）提取特征。
• 使用到均值的最小距离（MDM）分类器，基于测地线距离到各类别均值，将ERP反应分类为低任务负荷与高任务负荷类别。
• 应用切空间映射，将RG特征转换到欧几里得空间，以兼容标准分类器（如线性SVM和逻辑回归）。
• 将该方法与经典的时间域ERP特征向量化、xDAWN空间滤波以及多种分类器（包括rLDA、线性SVM、SigmoidSVM和RBF-SVM）进行比较。
• 采用10%测试集的交叉验证，评估在单用户和迁移学习场景下的性能。

实验结果

研究问题

• RQ1 基于信息几何的机器学习能否有效分类在低任务负荷与高任务负荷条件下EEG ERP反应？
• RQ2 与传统的时间域ERP特征相比，基于黎曼几何的特征在分类任务负荷状态方面的表现如何？
• RQ3 在迁移学习设置下，单用户训练的分类器在不同受试者之间具有多大程度的泛化能力？
• RQ4 当与标准线性分类器和基于核的分类器结合时，切空间映射能否提升分类准确率？
• RQ5 所提出的方法是否表现出足够的敏感性，以建模早期痴呆样ERP异常，如P300潜伏期延长和振幅变异性？

主要发现

• 所提出的基于信息几何的方法在单用户场景下，对听觉和触觉任务负荷区分的分类准确率中位数均超过70%。
• 切空间映射结合逻辑回归和线性SVM在大多数情况下优于MDM分类器和原始时间域特征。
• 径向基函数SVM的性能与基于切空间的线性SVM相当，但在听觉任务中差异无统计学意义。
• 跨受试者泛化试验的结果与随机水平（0.5）无显著差异，表明在未微调的情况下，该方法在受试者间迁移能力有限。
• 非参数Wilcoxon成对检验（p < 0.05）证实，该方法在统计学上显著优于基线方法。
• 结果支持将任务负荷调节的ERP反应作为痴呆相关脑电波变化的代理指标，为未来个性化数字生物标志物的开发提供了可行性依据。