[论文解读] Classification of EEG-Based Brain Connectivity Networks in Schizophrenia Using a Multi-Domain Connectome Convolutional Neural Network

Chun‐Ren Phang, Chee‐Ming Ting+2 more|arXiv (Cornell University)|Mar 21, 2019

Functional Brain Connectivity Studies被引用 48

一句话总结

本文提出 MDC-CNN，一种多域 connectome CNN，将时间域 VAR、频域 PDC 以及来自 EEG 的拓扑 CN 特征融合，用于区分精神分裂症与健康对照，其性能优于 SVM 和单域 CNN。

ABSTRACT

We exploit altered patterns in brain functional connectivity as features for automatic discriminative analysis of neuropsychiatric patients. Deep learning methods have been introduced to functional network classification only very recently for fMRI, and the proposed architectures essentially focused on a single type of connectivity measure. We propose a deep convolutional neural network (CNN) framework for classification of electroencephalogram (EEG)-derived brain connectome in schizophrenia (SZ). To capture complementary aspects of disrupted connectivity in SZ, we explore combination of various connectivity features consisting of time and frequency-domain metrics of effective connectivity based on vector autoregressive model and partial directed coherence, and complex network measures of network topology. We design a novel multi-domain connectome CNN (MDC-CNN) based on a parallel ensemble of 1D and 2D CNNs to integrate the features from various domains and dimensions using different fusion strategies. Hierarchical latent representations learned by the multiple convolutional layers from EEG connectivity reveal apparent group differences between SZ and healthy controls (HC). Results on a large resting-state EEG dataset show that the proposed CNNs significantly outperform traditional support vector machine classifiers. The MDC-CNN with combined connectivity features further improves performance over single-domain CNNs using individual features, achieving remarkable accuracy of $93.06\%$ with a decision-level fusion. The proposed MDC-CNN by integrating information from diverse brain connectivity descriptors is able to accurately discriminate SZ from HC. The new framework is potentially useful for developing diagnostic tools for SZ and other disorders.

研究动机与目标

• 自动区分精神分裂症与基于 EEG 的脑连接模式的动机。
• 研究将多种连接域结合是否能在分类上优于单域方法。
• 开发一种能够融合时间域、频域和拓扑连接特征的深度学习架构。
• 在静息态 EEG 数据上将 MDC-CNN 与传统分类器和单域模型进行比较评估。

提出的方法

• 使用 VAR 系数（时间域）和 PDC（频域）从多通道 EEG 提取定向连接特征。
• 从连接矩阵计算复杂网络度量（度数、全局效率、聚类、传输性）作为拓扑特征。
• 并行开发 MDC-CNN，其中两个 2D-CNN 处理 VAR 和 PDC 矩阵，一个 1D-CNN 处理 CN 拓扑特征。
• 探索三种融合策略：特征层融合、分数层融合和决策层融合。
• 使用 Adam 优化器训练模型，500 次训练，完全连接层的 dropout，以及交叉熵损失用于 SZ 与 HC 分类。

实验结果

研究问题

• RQ1 脑电图（EEG）基于定向连接 measures 能否区分精神分裂症与健康对照？
• RQ2 将时间域、频域和拓扑连接特征结合是否能提高分类准确性？
• RQ3 哪种融合策略在多域 connectome 分类中表现最好？
• RQ4 MDC-CNN 相较于 SVM 和单域 CNN 在静息态 EEG 数据上的表现如何？

主要发现

• 结合特征的 MDC-CNN 实现了最高准确度 92.87%（修改为 93.06%） 的决策层融合结果。
• 仅时间域 VAR 特征的准确率较高（CNN: 90.59%；所有频段结合 SVM: 88.19% 修改后），在若干设置中优于频域 PDC。
• CN 拓扑特征单独在大多数波段的表现低于 VAR 或 PDC，但提供了互补信息。
• 通过多数投票融合 VAR、PDC 和 CN 的结果，在所有特征集上均优于单域 CNN 和 SVM。
• 所有波段的基于 PDC 的 CNN 在某些配置下达到最高 89.19% 的准确率，灵敏度和特异性均为 93.33%。
• 在融合策略中，决策层融合始终在准确性和鲁棒性之间提供最佳权衡。