Machine Learning-Based Detection of Parkinson’s Disease From Resting-State EEG: A Multi-Center Study

要約

安静時脳波 (rs-EEG) は、パーキンソン病 (PD) の診断に役立つことが実証されています。
特に、低周波数帯域 ({\delta} および {\theta}) と高周波数帯域 ({\alpha} および \b{eta}) のパワー スペクトル密度 (PSD) は、大きく異なることが示されています。
PDのない患者（非PD）と比較して、PDのある患者では。
ただし、rs-EEG 機能の抽出とその解釈は、時間がかかり、審査官のばらつきが発生しやすい可能性があります。
機械学習 (ML) には、rs-EEG 記録の分析を自動化する可能性があり、臨床医が作業負荷を軽減するための支援ツールを提供します。
この作業では、異なるセンターで取得した 4 つのデータセットからプールされた 84 の PD と 85 の非 PD 被験者の rs-EEG 記録を使用します。
前処理、臨床的に検証された周波数帯域からの PSD 特徴の抽出、特徴選択からなるエンドツーエンドのパイプラインを提案してから、ML アルゴリズムを介して特徴の分類能力を評価し、PD 被験者と非 PD 被験者を層別化します。
さらに、データセットの多中心性を考慮して、機能の調和の効果を評価します。
検証結果は、平均して、機能を調和させ、単変量機能選択 (k = 202 機能) を実行する際のロジスティック回帰による PD 検出能力の向上 (69.6% 対 75.5% 精度) を示しています。
私たちの最終結果は、研究に含まれるすべてのセンターのバランスのとれた精度の結果で、72.2% の平均グローバル精度を示しています: それぞれ 60.6%、68.7%、77.7%、および 82.2%。

要約(オリジナル)

Resting-state EEG (rs-EEG) has been demonstrated to aid in Parkinson’s disease (PD) diagnosis. In particular, the power spectral density (PSD) of low-frequency bands ({\delta} and {\theta}) and high-frequency bands ({\alpha} and \b{eta}) has been shown to be significantly different in patients with PD as compared to subjects without PD (non-PD). However, rs-EEG feature extraction and the interpretation thereof can be time-intensive and prone to examiner variability. Machine learning (ML) has the potential to automatize the analysis of rs-EEG recordings and provides a supportive tool for clinicians to ease their workload. In this work, we use rs-EEG recordings of 84 PD and 85 non-PD subjects pooled from four datasets obtained at different centers. We propose an end-to-end pipeline consisting of preprocessing, extraction of PSD features from clinically validated frequency bands, and feature selection before evaluating the classification ability of the features via ML algorithms to stratify between PD and non-PD subjects. Further, we evaluate the effect of feature harmonization, given the multi-center nature of the datasets. Our validation results show, on average, an improvement in PD detection ability (69.6% vs. 75.5% accuracy) by logistic regression when harmonizing the features and performing univariate feature selection (k = 202 features). Our final results show an average global accuracy of 72.2% with balanced accuracy results for all the centers included in the study: 60.6%, 68.7%, 77.7%, and 82.2%, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google