Investigating Brain Connectivity and Regional Statistics from EEG for early stage Parkinson’s Classification

要約

脳波データ（EEG）を用いて、早期パーキンソン病（PD）分類のために脳結合指標と信号統計量を組み合わせることの有効性を評価する。データは覚醒状態と4つの睡眠段階（N1、N2、N3、REM）の5つの覚醒状態から得られたものである。我々のパイプラインは、たった30人の参加者（11人のPDと19人の健常者コントロール）による困難なPD初期分類タスクの分類にAda Boostモデルを使用している。9つの脳結合指標を評価した結果、覚醒状態ごとに最適な結合指標が異なることが分かり、N1データではPhase Lag Indexが86%という最高の分類精度を達成した。さらに、領域信号統計量を使ったパイプラインは78％の精度を達成し、脳結合度だけを使ったパイプラインは86％の精度を達成し、2つを組み合わせたパイプラインは91％の最高精度を達成した。この最高性能は、EEG信号の周波数特性から得られる統計量と組み合わせたPhase Lag Index（PLI）を用いてN1データで達成される。このモデルはまた、80％の再現率と96％の精度を達成している。さらに、各覚醒状態のデータにおいて、PLIと局所信号統計量を組み合わせると、信号統計量または脳結合性だけを用いた場合よりも分類精度が向上することがわかった。従って、脳結合統計量と局所脳波統計量を組み合わせることが、早期パーキンソン病における分類器の性能にとって最適であると結論づけられる。さらに、パーキンソン病の分類にはN1脳波の方が優れており、これはPDにおけるN1睡眠の障害によるものであると考えられる。この点については今後の研究課題である。

要約(オリジナル)

We evaluate the effectiveness of combining brain connectivity metrics with signal statistics for early stage Parkinson’s Disease (PD) classification using electroencephalogram data (EEG). The data is from 5 arousal states – wakeful and four sleep stages (N1, N2, N3 and REM). Our pipeline uses an Ada Boost model for classification on a challenging early stage PD classification task with with only 30 participants (11 PD , 19 Healthy Control). Evaluating 9 brain connectivity metrics we find the best connectivity metric to be different for each arousal state with Phase Lag Index achieving the highest individual classification accuracy of 86\% on N1 data. Further to this our pipeline using regional signal statistics achieves an accuracy of 78\%, using brain connectivity only achieves an accuracy of 86\% whereas combining the two achieves a best accuracy of 91\%. This best performance is achieved on N1 data using Phase Lag Index (PLI) combined with statistics derived from the frequency characteristics of the EEG signal. This model also achieves a recall of 80 \% and precision of 96\%. Furthermore we find that on data from each arousal state, combining PLI with regional signal statistics improves classification accuracy versus using signal statistics or brain connectivity alone. Thus we conclude that combining brain connectivity statistics with regional EEG statistics is optimal for classifier performance on early stage Parkinson’s. Additionally, we find outperformance of N1 EEG for classification of Parkinson’s and expect this could be due to disrupted N1 sleep in PD. This should be explored in future work.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL