[论文解读] Representation learning for improved interpretability and classification accuracy of clinical factors from EEG

Garrett Honke, Irina Higgins+7 more|arXiv (Cornell University)|Oct 28, 2020

EEG and Brain-Computer Interfaces参考文献 52被引用 4

一句话总结

本文提出了一种深度表征学习框架，利用解耦的β-VAE对脑电信号（EEG）进行去噪，并通过符号-概念关联网络（SCAN）从EEG数据中解释临床因素。该方法在手工设计基线的基础上提升了分类准确率，实现了对年龄、性别、抑郁等临床特征的可解释、可复用表征，同时自动恢复了已知生物标志物（如与快感缺失相关的事件相关电位模式）。

ABSTRACT

Despite extensive standardization, diagnostic interviews for mental health disorders encompass substantial subjective judgment. Previous studies have demonstrated that EEG-based neural measures can function as reliable objective correlates of depression, or even predictors of depression and its course. However, their clinical utility has not been fully realized because of 1) the lack of automated ways to deal with the inherent noise associated with EEG data at scale, and 2) the lack of knowledge of which aspects of the EEG signal may be markers of a clinical disorder. Here we adapt an unsupervised pipeline from the recent deep representation learning literature to address these problems by 1) learning a disentangled representation using $β$-VAE to denoise the signal, and 2) extracting interpretable features associated with a sparse set of clinical labels using a Symbol-Concept Association Network (SCAN). We demonstrate that our method is able to outperform the canonical hand-engineered baseline classification method on a number of factors, including participant age and depression diagnosis. Furthermore, our method recovers a representation that can be used to automatically extract denoised Event Related Potentials (ERPs) from novel, single EEG trajectories, and supports fast supervised re-mapping to various clinical labels, allowing clinicians to re-use a single EEG representation regardless of updates to the standardized diagnostic system. Finally, single factors of the learned disentangled representations often correspond to meaningful markers of clinical factors, as automatically detected by SCAN, allowing for human interpretability and post-hoc expert analysis of the recommendations made by the model.

研究动机与目标

• 解决临床环境中缺乏自动化、可扩展的EEG信号去噪方法的问题。
• 识别与临床因素（如抑郁和年龄）相关联的可解释、具有生物学意义的EEG特征。
• 开发一种可复用的表征，支持无需重新训练整个表征流程即可快速重新映射至新临床标签。
• 在EEG数据上实现超越传统手工设计基线的临床因素分类准确率提升。
• 通过与特定临床特征相关的解耦潜在因子，实现对模型决策的后验可解释性。

提出的方法

• 在平均EEG轨迹（事件相关电位，ERPs）上训练β-VAE，以学习一种解耦的、低维的表征，从而对原始EEG信号进行去噪。
• 利用β-VAE获得的解耦潜在空间训练符号-概念关联网络（SCAN），该网络学习将临床标签（如抑郁、性别）映射到特定潜在维度。
• SCAN使用条件编码器推断临床标签的潜在码，并使用解码器从这些码中重建ERPs，从而实现与每个标签相关的EEG模式的可视化。
• 通过复用预训练的β-VAE并仅微调SCAN头部，实现零样本或少样本的新型临床标签重新映射。
• 通过分析哪些潜在维度对应于特定标签，并可视化其遍历路径与后验分布，评估潜在因子的可解释性。
• 使用L2正则化的逻辑回归在潜在码上评估分类性能，同时采用稀疏性与精确率-召回率指标评估可解释性与准确性。

实验结果

研究问题

• RQ1 与标准的手工设计基线相比，基于EEG数据的解耦表征学习是否能提升抑郁和年龄等临床因素的分类准确率？
• RQ2 所学习的解耦表征是否可用于从单次试验EEG轨迹中自动提取去噪后的ERPs？
• RQ3 β-VAE表征中的各个潜在维度是否对应于可解释、具有临床意义的特征（如性别或抑郁状态）？
• RQ4 该模型是否能够在不重新训练整个表征流程的情况下，实现对新临床标签的快速、有监督的重新映射？
• RQ5 该模型是否能从EEG数据中恢复已知的神经生理生物标志物（如与快感缺失相关的标志）？

主要发现

• 所提出的方法在年龄、性别、抑郁和轴Ⅰ诊断的平衡分类准确率上，优于标准的手工设计基线（LPP表征）。
• SCAN在特征使用上的稀疏度达到87.5%，显著高于L1正则化逻辑回归的3.25%，表明其具有更可解释且集中的特征选择。
• 该模型成功重建了与抑郁状态相关的ERP模式：抑郁患者对正性与中性刺激的ERP反应无显著差异，而非抑郁患者则表现出明显区分。
• 发现解耦的潜在维度与特定临床标签相对应——例如，性别被编码于单一潜在维度（z₅）中，男性与女性的分布为明显分离的非重叠高斯分布。
• UDR评分（解耦质量的代理指标）与分类准确率之间存在显著正相关（r = 0.33，p < .001），表明更好的解耦性带来更优的性能。
• 该框架通过β-VAE解码器实现了单次试验EEG轨迹的自动去噪，生成了无需跨次平均即可获得的干净ERP样波形。