[论文解读] Riemannian tangent space mapping and elastic net regularization for cost-effective EEG markers of brain atrophy in Alzheimer's disease

Wolfgang Fruehwirt, Matthias Gerstgrasser+12 more|arXiv (Cornell University)|Nov 22, 2017

Functional Brain Connectivity Studies参考文献 30被引用 4

一句话总结

本研究提出了一种新颖的黎曼切线空间映射框架，并结合弹性网络正则化，以开发阿尔茨海默病脑萎缩的低成本脑电图（EEG）生物标志物。通过将EEG数据中的对称正定（SPD）协方差矩阵投影到黎曼均值处的切空间中，该方法在保持内在黎曼几何特性的同时，实现了高效的欧几里得机器学习；其性能显著优于标准欧几里得方法，尤其是在利用时空频EEG特征预测全脑和海马体积方面表现突出。

ABSTRACT

The diagnosis of Alzheimer's disease (AD) in routine clinical practice is most commonly based on subjective clinical interpretations. Quantitative electroencephalography (QEEG) measures have been shown to reflect neurodegenerative processes in AD and might qualify as affordable and thereby widely available markers to facilitate the objectivization of AD assessment. Here, we present a novel framework combining Riemannian tangent space mapping and elastic net regression for the development of brain atrophy markers. While most AD QEEG studies are based on small sample sizes and psychological test scores as outcome measures, here we train and test our models using data of one of the largest prospective EEG AD trials ever conducted, including MRI biomarkers of brain atrophy.

研究动机与目标

• 开发客观、低成本的EEG生物标志物以检测阿尔茨海默病中的脑萎缩，克服对主观临床评估的依赖。
• 整合黎曼几何与弹性网络正则化，以更优地从EEG数据中预测基于MRI的脑萎缩标志物。
• 评估切线空间映射相较于直接欧几里得分析在捕捉EEG信号神经退行性变化方面的优越性。
• 评估时空频EEG特征及非高斯依赖度量（如肯德尔等级相关）在建模脑萎缩中的实用性。
• 在包含同步MRI生物标志物的大型前瞻性EEG-AD数据集上验证该框架的有效性。

提出的方法

• 黎曼切线空间映射将EEG数据中的对称正定（SPD）协方差矩阵投影到黎曼均值处的切空间中，保留测地线距离的同时支持欧几里得分析。
• 黎曼均值通过SPD矩阵的几何平均计算得出，同时采用对数欧几里得方法作为计算效率更高的替代方案。
• SPD矩阵通过协方差（COV）和肯德尔等级相关（KEN）两种方式构建，以捕捉EEG信号中的线性和非线性依赖关系。
• 通过在特定频带（如α波段、θ波段）内对电极对计算协方差矩阵，提取时空频EEG特征。
• 在切空间表示上应用弹性网络正则化，以实现特征选择并防止过拟合，超参数通过嵌套交叉验证进行调优。
• 采用100次重复的嵌套交叉验证程序，确保泛化性能的稳健估计，并最小化随机数据划分带来的方差。

实验结果

研究问题

• RQ1 与标准欧几里得方法相比，黎曼切线空间映射是否显著提升了EEG对脑萎缩的预测性能？
• RQ2 切线空间映射与弹性网络正则化的结合是否比传统方法更有效地识别神经退行性变的EEG标志物？
• RQ3 相较于仅空间特征，时空频EEG特征是否显著增强了脑萎缩标志物的预测能力？
• RQ4 在非高斯EEG数据中，肯德尔等级相关是否比协方差更适合作为构建SPD矩阵的度量？
• RQ5 黎曼均值的选择（对数欧几里得 vs. 黎曼）是否显著影响模型性能？

主要发现

• 性能最佳的模型采用切线空间映射结合对数欧几里得均值，并基于协方差（COV）的时空频特征，预测归一化全脑体积（BrainVol）的平均均方根误差（RMSE）为1.23×10⁻³。
• 对于海马体积（HippVol），采用切线空间映射结合肯德尔等级相关（KEN）的最优模型，其平均RMSE达到1.44×10⁻⁷，显著优于欧几里得基线方法。
• 使用对数欧几里得均值的切线空间映射（TAN log）在BrainVol预测中显著优于欧几里得基线（p = 0.003），在HippVol预测中亦表现更优（p = 0.030）。
• 所有方法中，时空频设计均持续优于仅空间设计，表明频率特异性EEG动态在脑萎缩预测中具有重要意义。
• TAN log方法的表现优于TAN rie，表明其在不损失性能的前提下具备潜在计算优势，支持未来采用对数欧几里得方法。
• 该模型在BrainVol（p = 0.003）和HippVol（p = 0.011）上的独立性能均具有统计学显著性，证实了其稳健性与预测有效性。