[论文解读] Depression Detection using Resting State Three-channel EEG Signal

Qiuxia Shi, Ang Liu+4 more|arXiv (Cornell University)|Feb 21, 2020

EEG and Brain-Computer Interfaces参考文献 34被引用 11

一句话总结

本研究提出了一种低成本、患者友好的方法，利用静息态三导联脑电图信号（Fp1、Fpz、Fp2）实现早期抑郁症检测。通过提取六项特征——三项线性特征（最大值、均值、中心功率）和三项非线性特征（关联维数、Renyi熵、C0复杂度），并采用留一法交叉验证，该模型在区分无药物治疗的抑郁症患者与健康对照组时，分类准确率达到72.25%。

ABSTRACT

In universal environment, a patient-friendly inexpensive method is needed to realize the early diagnosis of depression, which is believed to be an effective way to reduce the mortality of depression. The purpose of this study is only to collect EEG signal from three electrodes Fp1, Fpz and Fp2, then the linear and nonlinear features of EEG used to classify depression patients and healthy controls. The EEG recordings were carried out on a group of 18 medication-free depressive patients and 25 gender and age matched controls. In this paper, the selected features include three linear (maximum, mean and center values of the power) and three nonlinear features (correlation dimension, Renyi entropy and C0 complexity). The accuracy and effectiveness of classification model between depressive and control subjects were calculated using leave-one-out cross-validation. The experimental results indicate that selected three channel EEG and features can distinguish the subjects between depression and normal beings, the classification accuracy is 72.25%. It is hoped that the performed results can provide more choices for the early diagnosis of depression in a universal environment.

研究动机与目标

• 开发一种低成本、非侵入性的方法，用于在通用临床环境中实现早期抑郁症检测。
• 评估最小导联脑电图配置（Fp1、Fpz、Fp2）在区分抑郁症患者与健康对照组方面的判别能力。
• 评估从静息态脑电图信号中提取的线性和非线性特征组合在抑郁症分类中的有效性。
• 提供一种实用、患者友好的诊断工具，避免药物干扰，并降低抑郁症相关死亡率。

提出的方法

• 使用三处头皮电极（Fp1、Fpz、Fp2）从18名无药物治疗的抑郁症患者和25名年龄与性别匹配的健康对照组中采集脑电图信号。
• 线性特征计算为脑电图信号功率谱密度的最大值、均值和中心值。
• 非线性特征包括关联维数、Renyi熵和C0复杂度，以捕捉脑电图信号的动力学和结构特性。
• 采用留一法交叉验证策略评估特征集的分类性能。
• 使用机器学习分类器对组合特征集进行训练和测试，以区分抑郁症患者与对照组。
• 基于每次训练时排除一个受试者的分类结果，计算最终模型的准确率。

实验结果

研究问题

• RQ1 三导联脑电图系统（Fp1、Fpz、Fp2）能否有效区分抑郁症患者与健康对照组？
• RQ2 从静息态脑电图信号中提取的哪些线性和非线性特征组合能实现抑郁症检测的最高分类准确率？
• RQ3 与更复杂的多导联系统相比，最小导联脑电图系统在抑郁症分类中的表现如何？
• RQ4 非线性动力学特征（如关联维数和Renyi熵）在多大程度上能提升检测的敏感性？

主要发现

• 所提出的方法仅使用三个脑电图导联，即可在区分无药物治疗的抑郁症患者与健康对照组时达到72.25%的分类准确率。
• 三项线性特征与三项非线性特征的组合表现出足够的判别能力，可实现可靠的抑郁症分类。
• 使用Renyi熵和关联维数等非线性特征，显著提升了模型检测脑活动细微差异的能力。
• 留一法交叉验证方法证实了特征集的稳健性以及模型的泛化能力。
• 结果表明，仅使用Fp1、Fpz和Fp2导联的最小脑电图系统可作为可行的低成本工具，用于早期抑郁症筛查。
• 本研究证实，即使空间覆盖有限，静息态脑电图信号中仍包含可测量的抑郁症神经生理标志物。