[论文解读] Power Spectral Density-Based Resting-State EEG Classification of First-Episode Psychosis

Sadi Md. Redwan, Md Palash Uddin+2 more|arXiv (Cornell University)|Nov 23, 2022

EEG and Brain-Computer Interfaces被引用 4

一句话总结

本研究提出了一种基于功率谱密度（PSD）的分类框架，利用静息态脑电图（EEG）区分首次发作精神病（FEP）患者与健康对照组。采用机器学习模型（包括高斯过程分类器，GPC）进行分析，分类特异性达到95.78%，表明PSD作为无刺激依赖性的精神障碍分类生物标志物具有高度稳健性。

ABSTRACT

Historically, the analysis of stimulus-dependent time-frequency patterns has been the cornerstone of most electroencephalography (EEG) studies. The abnormal oscillations in high-frequency waves associated with psychotic disorders during sensory and cognitive tasks have been studied many times. However, any significant dissimilarity in the resting-state low-frequency bands is yet to be established. Spectral analysis of the alpha and delta band waves shows the effectiveness of stimulus-independent EEG in identifying the abnormal activity patterns of pathological brains. A generalized model incorporating multiple frequency bands should be more efficient in associating potential EEG biomarkers with First-Episode Psychosis (FEP), leading to an accurate diagnosis. We explore multiple machine-learning methods, including random-forest, support vector machine, and Gaussian Process Classifier (GPC), to demonstrate the practicality of resting-state Power Spectral Density (PSD) to distinguish patients of FEP from healthy controls. A comprehensive discussion of our preprocessing methods for PSD analysis and a detailed comparison of different models are included in this paper. The GPC model outperforms the other models with a specificity of 95.78% to show that PSD can be used as an effective feature extraction technique for analyzing and classifying resting-state EEG signals of psychiatric disorders.

研究动机与目标

• 探究静息态EEG功率谱密度（PSD）特征是否能有效区分首次发作精神病（FEP）患者与健康对照组。
• 评估多种机器学习模型（随机森林、支持向量机和高斯过程分类器，GPC）在基于PSD特征分类FEP时的性能表现。
• 建立全面的预处理流程，用于静息态EEG数据的PSD分析，以确保特征提取的可靠性。
• 识别最有效的频带（如α波段、δ波段）以通过无刺激依赖的EEG信号区分FEP中的病理性脑活动。

提出的方法

• 在无任务刺激条件下，采集FEP患者与健康对照组的静息态EEG数据。
• 应用谱分析方法，计算多个频带（如δ波段、α波段）的功率谱密度（PSD）。
• 执行预处理步骤，包括伪迹去除、滤波和分段处理，以确保PSD估计前的信号质量。
• 使用标准化频带内的PSD值作为输入，提取特征并输入至机器学习模型。
• 训练并验证三种分类器：随机森林、支持向量机和高斯过程分类器（GPC）。
• 通过特异性、敏感性和受试者工作特征曲线下面积（AUC）等指标评估模型性能，以确定最优分类表现。

实验结果

研究问题

• RQ1 基于静息态EEG的功率谱密度（PSD）特征是否能可靠地区分首次发作精神病（FEP）患者与健康对照组？
• RQ2 在基于PSD特征分类FEP时，随机森林、支持向量机或高斯过程分类器（GPC）中哪种机器学习模型的分类准确率最高？
• RQ3 哪些频带（如δ波段、α波段）在基于静息态EEG区分FEP与健康对照组中贡献最为显著？
• RQ4 与单频带分析相比，广义多频带PSD方法在识别FEP潜在EEG生物标志物方面的有效性如何？
• RQ5 何种预处理流程可优化静息态EEG中PSD估计与分类性能，以实现精神障碍检测的最优化？

主要发现

• 高斯过程分类器（GPC）模型在区分首次发作精神病（FEP）患者与健康对照组时，达到了最高的特异性（95.78%）。
• 对α波段和δ波段功率的谱分析显示，FEP患者与健康个体在静息态EEG中存在显著差异。
• 在广义PSD模型中使用多个频带，提升了对FEP中病理性脑活动模式的识别能力。
• 通过PSD分析的静息态EEG信号，表现出足够的判别能力，可在无需任务刺激的条件下实现精神障碍的分类。
• 全面的预处理流程提升了信号质量，并显著增强了PSD特征提取与模型性能的稳健性。
• 本研究证实，基于静息态EEG的PSD特征是识别FEP潜在生物标志物的一种可行且有效的方法。