[论文解读] Automated Parkinson's Disease Detection and Affective Analysis from Emotional EEG Signals

Ravikiran Parameshwara, Soujanya Narayana+4 more|arXiv (Cornell University)|Feb 21, 2022

Parkinson's Disease Mechanisms and Treatments被引用 6

一句话总结

本研究提出了一种自动化框架，通过被动媒体观看期间的情绪EEG信号实现帕金森病（PD）的检测与情感分析。通过将传统机器学习和深度学习模型（如2D-CNN）应用于谱功率向量和共空间模式，实现了近乎完美的PD与健康对照组分类（F1 ≥ 0.97），并揭示了PD患者在愉悦度感知方面的缺陷以及对相反愉悦度情绪的误标现象。

ABSTRACT

While Parkinson's disease (PD) is typically characterized by motor disorder, there is evidence of diminished emotion perception in PD patients. This study examines the utility of affective Electroencephalography (EEG) signals to understand emotional differences between PD vs Healthy Controls (HC), and for automated PD detection. Employing traditional machine learning and deep learning methods, we explore (a) dimensional and categorical emotion recognition, and (b) PD vs HC classification from emotional EEG signals. Our results reveal that PD patients comprehend arousal better than valence, and amongst emotion categories, extit{fear}, extit{disgust} and extit{surprise} less accurately, and extit{sadness} most accurately. Mislabeling analyses confirm confounds among opposite-valence emotions with PD data. Emotional EEG responses also achieve near-perfect PD vs HC recognition. {Cumulatively, our study demonstrates that (a) examining extit{implicit} responses alone enables (i) discovery of valence-related impairments in PD patients, and (ii) differentiation of PD from HC, and (b) emotional EEG analysis is an ecologically-valid, effective, facile and sustainable tool for PD diagnosis vis-á-vis self reports, expert assessments and resting-state analysis.}

研究动机与目标

• 探究在被动媒体消费过程中，情绪EEG反应是否能揭示帕金森病（PD）患者的情感加工缺陷。
• 评估利用情绪刺激EEG信号实现自动化PD检测的可行性，避免依赖自评报告或专家评估。
• 比较传统机器学习与深度学习模型在分类情绪类别及PD与健康对照组状态方面的性能。
• 识别PD患者相较于健康对照组在情绪识别方面存在缺陷的具体情绪类别和维度属性（愉悦度、唤醒度）。
• 评估使用常规情绪刺激进行PD诊断的生态效度与可持续性，通过非侵入性EEG实现。

提出的方法

• 在帕金森病患者和健康对照组（HC）被动观看情感诱发的电影片段和音乐时采集EEG信号。
• 提取低层次EEG描述符：谱功率向量（SPV）和共空间模式（CSP）用于特征表示。
• 将原始EEG转换为类似2D和3D图像的表示形式，以支持卷积神经网络（CNN）处理。
• 应用1D、2D和3D卷积神经网络（CNNs）以及传统机器学习模型（如SVM、随机森林）进行分类。
• 对维度情绪属性（愉悦度和唤醒度）采用二分类，对类别化情绪（如恐惧、厌恶、悲伤）采用多分类。
• 进行误标分析，以识别情绪类别之间的混淆，特别是相反愉悦度情绪之间的混淆。

实验结果

研究问题

• RQ1 在被动媒体暴露期间，情绪EEG信号能否以高准确率区分帕金森病患者与健康对照组？
• RQ2 与健康对照组相比，PD患者在愉悦度和唤醒度感知方面的情感加工能力如何？
• RQ3 哪些情绪类别（如恐惧、厌恶、悲伤）在PD患者中识别最准确或最不准确？
• RQ4 PD患者中是否存在系统性的误标混淆，特别是相反愉悦度情绪之间？
• RQ5 哪种EEG特征与机器学习模型的组合在情绪识别和PD分类两方面均表现最佳？

主要发现

• 通过在情绪EEG数据上使用2D-CNN，实现了近乎完美的PD与健康对照组分类，对悲伤和恐惧情绪的F1-score达到0.99。
• PD患者对低愉悦度情绪（如厌恶、恐惧和惊讶）的识别准确率显著降低，而悲伤情绪的识别最为准确。
• 误标分析显示，PD数据中频繁出现相反愉悦度情绪（如正向与负向）之间的混淆，而健康对照组中未观察到此现象。
• 与愉悦度相比，PD患者对唤醒度的感知更好，其分类性能与健康对照组相当。
• 在传统机器学习中，谱功率向量（SPV）在情绪识别方面优于CSP，而CSP在PD分类方面优于SPV。
• 2D和3D-CNN模型在所有任务中均持续表现出最高性能，表明EEG中的时空谱模式是编码PD相关情感差异的最优方式。