うつ病の脳波からの判別が成功したのは、特定の分類法ではなく、適切な特徴抽出に起因している可能性がある

The successful discrimination of depression from EEG could be attributed to proper feature extraction and not to a particular classification method.

• Milena Čukić
• Miodrag Stokić
• Slobodan Simić
• Dragoljub Pokrajac

抄録

うつ病性障害の信頼性の高い診断は、最適な治療と致命的な転帰の予防の両方のために不可欠である。本研究では，Higuchi's Fractal Dimension (HFD)とSample Entropy (SampEn)という2つの非線形尺度を脳波に適用した場合のうつ病性障害の検出における有効性を明らかにすることを目的とした．脳波信号のHFDとSampEnは、多層パーセプトロン、ロジスティック回帰、線形および多項式カーネルを用いたサポートベクターマシン、決定木、ランダムフォレスト、ナイーブベイズ分類器を含む7つの機械学習アルゴリズムの特徴量として用いられ、健常者とうつ病と診断された患者の間で脳波を識別した。本研究では、非線形手法を用いても健常者とうつ病患者の脳波信号を識別できることを確認しました。この結果は、主成分の数が少なくても良好な分類が可能であることを示唆している。分類器間の平均精度は90.24〜97.56%であった。2つの尺度の中では、SampEnの方が優れた性能を示した。HFDとSampEnと様々な機械学習技術を用いることで、うつ病と診断された患者と対照群を正確に識別することができ、うつ病性障害の診断のための高感度で臨床的に関連性のあるマーカーとして機能する。

Reliable diagnosis of depressive disorder is essential for both optimal treatment and prevention of fatal outcomes. This study aimed to elucidate the effectiveness of two non-linear measures, Higuchi's Fractal Dimension (HFD) and Sample Entropy (SampEn), in detecting depressive disorders when applied on EEG. HFD and SampEn of EEG signals were used as features for seven machine learning algorithms including Multilayer Perceptron, Logistic Regression, Support Vector Machines with the linear and polynomial kernel, Decision Tree, Random Forest, and Naïve Bayes classifier, discriminating EEG between healthy control subjects and patients diagnosed with depression. This study confirmed earlier observations that both non-linear measures can discriminate EEG signals of patients from healthy control subjects. The results suggest that good classification is possible even with a small number of principal components. Average accuracy among classifiers ranged from 90.24 to 97.56%. Among the two measures, SampEn had better performance. Using HFD and SampEn and a variety of machine learning techniques we can accurately discriminate patients diagnosed with depression vs controls which can serve as a highly sensitive, clinically relevant marker for the diagnosis of depressive disorders.

© Springer Nature B.V. 2020.