Hvordan vindueslængde og vinduesstakning påvirker EEG-analysemodeller

I EEG-analyse, især når der anvendes dyb læring til at klassificere eller forudsige kliniske tilstande, er valget af modelarkitektur og behandlingen af dataer afgørende for ydeevnen. I vores undersøgelse blev flere eksperimenter udført for at forstå, hvordan forskellige vindueslængder og vinduesstakning påvirker nøjagtigheden af de to-trins EEG-analysemodeller.

For at kunne evaluere ydeevnen af de anvendte modeller blev der først arbejdet med TUAB-datasættet. Dette datasæt har allerede fået tildelt et mærkat, og de oprindelige test- og træningssplitter blev bevaret for at sikre validiteten af eksperimenterne. Det er essentielt, at vi benytter de samme præ-behandlingsmetoder som i tidligere forskning for at sikre sammenlignelighed af resultaterne, herunder metoderne præsenteret af Schirrmeister et al. for Deep4-arkitekturen og derefter anvendt til TCN og Fusion Alexnet.

Når vi gik videre til den anden modelfase, som beskæftiger sig med "arbitration" (kombinering af klassifikationsresultater fra de forskellige vinduer til én samlet klassifikation for en EEG-session), viste vi, at de fleste tidligere studier ikke har diskuteret arbitrationsmetoder i dybden. Selvom det er umuligt at undgå arbitration i situationer, hvor modeller trænes på vinduer og evalueres per optagelse, blev det opdaget, at metoden anvendt i Deep4, nemlig den såkaldte 'Mean'-metode, fungerer som en nyttig baseline. Der blev dog også eksperimenteret med alternative metoder som Multi-Layer Perceptron (MLP) og XGBoost, og forskellige dataforbehandlingsteknikker blev afprøvet, herunder "Raw", "Histogram" og "Hybrid" metoder. I denne sammenhæng blev vinduesstakning og forskellige strategier for databehandling evalueret for at skabe et robust og effektivt arbitratormodel.

Når det kommer til de opnåede resultater, viser det sig, at de foreslåede metoder til vinduesstakning outperformer baseline-metoderne – både når det gælder en-fase- og to-fase-modeller. Den højeste gennemsnitlige nøjagtighed for hele to-fase-modellen nåede 93,3 %, mens den højeste nøjagtighed for en enkelt instans af første-fase-modellen var 96,2 %, begge opnået ved anvendelse af den "Hybrid"-metode med en vindueslængde på 600 sekunder. Den gennemsnitlige præstation steg yderligere, når TCN anvendtes i første fase og XGBoost i anden fase, hvilket resulterede i en nøjagtighed på 99,0 %. Dette afslører den høje effektivitet af metoden, især i forhold til den relativt lave beregningsomkostning for træning af modellen.

Det er også vigtigt at bemærke, hvordan vindueslængden påvirker modelydelsen. Resultaterne viser, at både én-fase-modellen uden arbitration og de to-fase-tilgange forbedres, når vindueslængden øges, selvom forbedringen ikke er helt monotonisk. Alle modeller præsterede dårligst ved 60 sekunder og bedst ved 600 sekunder. Dette indikerer, at længere vinduer kan være mere informative og give modellen mulighed for at fange længere tidsmæssige afhængigheder i EEG-signalerne, hvilket resulterer i bedre præcision og følsomhed.

En yderligere dimension af vores forskning vedrører, hvordan man håndterer dataskræmming i EEG-analyse. Tidligere har vi diskuteret vindueslængde og vinduesstakning som metoder til at afhjælpe skævheder i dataene forårsaget af vinduessplitning, men det er vigtigt at forstå, at vinduessplitning oprindeligt blev introduceret som en strategi til at tackle udfordringen ved kortere signaler og sikre, at modeller kunne trænes på repræsentative datasæt. Udfordringen ligger i at finde balancen mellem modelens kompleksitet og den nødvendige datamængde for at opnå pålidelige resultater, især når man arbejder med kliniske EEG-data.

Hvordan kan man udnytte ulabelerede EEG-data til forbedring af maskinlæring i klinisk EEG-analyse?

En vigtig drivkraft for succes i EEG-analyse er størrelsen på de anvendte modeller. Større modeller indikerer en evne til at lære mere komplekse sammenhænge mellem input og output, hvilket er nødvendigt for at kunne analysere EEG-data effektivt, da disse data typisk har et stort inputstørrelse og et lavt signal-til-støj-forhold. Overgangen fra rå EEG-data til de mål, man ønsker at forudsige eller klassificere, er ofte kompleks på grund af datanaturens iboende egenskaber. Derfor er det nødvendigt at anvende større modeller, især når mængden af tilgængelige data vokser og EEG-databaserne bliver mere omfattende og robuste. Der er dog også en risiko for, at større modeller kan føre til overfitting. Det er derfor afgørende at finde en balance mellem modelkompleksitet og de nødvendige beregningsressourcer. Den reelle effektivitet af større modeller i EEG-analyse afhænger af, om den øgede kompleksitet faktisk bidrager til en forbedring af modelens præstationer i praktiske, kliniske scenarier.

Selvom maskinlæringsmodeller i EEG-klinik har vist sig at kunne nå præstationer, der kunne retfærdiggøre klinisk anvendelse, er det vigtigt at bemærke, at den virkelige verdens præstationer muligvis ikke vil være de samme som dem, der opnås i akademiske eksperimenter, hvor de anvendte datasæt ofte kun repræsenterer et begrænset udsnit af globale kliniske forhold. Desuden er klassifikationen af normal/abnormal kun den enkleste opgave. Subkategorisering af abnormiteter er også vigtig, og her har menneskelig ekspertvurdering også demonstreret menneskelig præstation. Yderligere udvikling af værktøjer til forklarbarhed vil være vigtig for at etablere tillid og gøre AI mere anvendelig i kliniske EEG-arbejdsprocesser. Selvom der ikke nødvendigvis er en hård præstationsgrænse under 100%, viser nyere forskning, at maskinlæring kan overgå menneskelige eksperter, især når det drejer sig om vurderinger, der er konsensusbaserede. Det betyder, at man ikke nødvendigvis skal indstille sig på et præstationsloft, men derimod bør arbejde mod fortsat forbedring af både modeller og datasæt, samt udvikling af nye metoder til evaluering og implementering i klinisk praksis.

Hvordan kan avanceret EEG-forbehandling og konvolutionelle neurale netværk forbedre diagnosticering af mentale lidelser?

Den øgede opløsning og præcision i EEG-optagelser muliggør en detaljeret identifikation af specifikke hjerneområder, som er ansvarlige for forskellige funktioner. Denne nøjagtighed er afgørende for at forstå komplekse neurale processer og sygdomme, hvilket igen baner vejen for mere præcise diagnoser og målrettede behandlinger. Ved at lokalisere de eksakte områder med hjerneaktivitet får forskere mulighed for dybere indsigt i, hvordan forskellige hjerneområder bidrager til kognitive og adfærdsmæssige processer, hvilket styrker både den videnskabelige forståelse og klinisk praksis.

Forbehandlingen af EEG-data er et kritisk skridt, hvor rådata hentes i CSV-format via Amazon AWS og indlæses med MNE-biblioteket med standardmontagen “GSN-HydroCel-128”. Herfra fjernes de yderste kanaler, og data kopieres til en pipeline, der anvender Pyprep til reference og re-reference med “EEG” som kanaltype. En notch-filter på 60 Hz anvendes for at fjerne netstøj, og Ransac kører flere gange for at identificere dårlige kanaler, som markeres i datasættet. Datasættet bliver derefter resamplet til 256 Hz og filtreret med et båndpasfilter mellem 1 og 70 Hz, samtidig med at dårlige kanaler interpoleres og data re-refereres baseret på gennemsnittet af kanaler.

Et væsentligt trin i forbehandlingen er anvendelsen af ICA (uafhængig komponentanalyse), som hjælper med at isolere og annotere artefakter såsom muskelbevægelser, hjerteaktivitet (EKG), øjenbevægelser (EOG) samt teknisk eller miljømæssigt støj, som kan forvride det ægte EEG-signal. Ved at benytte PCA før ICA reduceres datadimensionerne for at effektivisere beregningerne, og dårlige artefakter fjernes, hvilket øger signal-til-støj-forholdet og dermed datakvaliteten. Denne proces muliggør en mere pålidelig analyse og øger sandsynligheden for korrekte diagnoser.

Efter forbehandling filtreres data yderligere for at isolere bestemte frekvensbånd (delta, theta, alpha, beta og gamma), som repræsenterer forskellige hjerneaktiviteter. Data transformeres til et fast format (108 × 350) ved brug af bilineær interpolation i TensorFlow, og segmenteres i tidsvinduer på ca. 15,6 sekunder. Disse segmenter omformes til tredimensionelle RGB-billeder, hvor hver farvekanal er en kopi af det samme forbehandlede datasæt, hvilket muliggør anvendelsen af konvolutionelle neurale netværk (CNN).

To CNN-arkitekturer blev benyttet: VGG16, kendt for sin evne til billedklassifikation via dybe lag, og DeprNet, en specialiseret model sammensat af fem blokke med konvolutions-, batch-normaliserings- og max-pooling-lag efterfulgt af tætte lag. VGG16-modellen anvender globale pooling- og fuldt forbundne lag med ReLU-aktivering og sigmoid-aktivering i beslutningslaget, mens DeprNet anvender LeakyReLU for flertallet af lagene og sigmoid i det afsluttende lag. Dette muliggør robust klassifikation med høj præcision i diagnosticeringen af depression hos børn baseret på EEG-data.

Til træning blev AdaBelief-optimering valgt, en metode der kombinerer fordelene ved adaptive optimeringsmetoder som Adam og robustheden af stokastisk gradientnedstigning. Denne optimeringsmetode sikrer hurtig konvergens samtidig med, at generaliseringsevnen forbedres. Modellerne blev evalueret med binær krydsentropi som tabfunktion og metrics som nøjagtighed, Cohen’s Kappa, Matthews korrelationskoefficient, F1-score, præcision, sensitivitet og specificitet, hvilket giver et omfattende billede af modelpræstationen.

Det er vigtigt at forstå, at nøjagtigheden af EEG-baserede diagnoser i høj grad afhænger af den grundige og metodiske forbehandling af rådata. Artefaktfjernelse og korrekt filtrering sikrer, at de neurale signaler, som modellerne trænes på, afspejler reelle biologiske processer frem for støj. Derudover illustrerer valget af optimeringsmetode og arkitektur, hvordan avanceret maskinlæring kan tilpasses til komplekse medicinske data for at fremme præcis og pålidelig sygdomsdetektion. For at opnå optimale resultater bør læseren også være opmærksom på vigtigheden af dataets kvalitet og diversitet samt på, hvordan balancering af datasæt og korrekt valg af evalueringsmetrikker bidrager til generaliserbare og klinisk relevante modeller.

Hvordan kan dyb læring og EEG-frekvensbånd afsløre symptomer på svær depressiv lidelse hos børn?

Analyser baseret på konvolutionsneuronale netværk (CNN) anvendt på hviletilstands-EEG har vist lovende resultater i diagnosticeringen af svær depressiv lidelse (MDD) hos børn og unge. Resultaterne understøtter tidligere fund, der peger på en signifikant sammenhæng mellem visse EEG-frekvensbånd og depressive symptomer. Specifikt fremhæver analyserne theta, delta, alpha og gamma frekvensbånd som bærende neurofysiologiske biomarkører, mens beta-båndet konsekvent fremstår som mindre informativt i denne kontekst.

To modeller, VGG16 og DeprNet, anvendt til klassifikation, opnår høje F1-scores især i theta-frekvensbåndet (henholdsvis 0,870 og 0,743), hvilket indikerer, at dette bånd indeholder de mest distinkte og tydelige karakteristika, der adskiller børn med MDD fra raske kontrolgrupper. Delta- og alpha-båndene følger efter med relativt høje scores, hvilket antyder, at disse frekvenser også rummer væsentlige informationer om sygdomstilstanden.

Modellerne udviser generelt høj specifitet, men sensitiviteten falder ofte markant, især i tilfælde med ubalance i datasættet, hvilket fører til en tendens til at favorisere raske kontrolsubjekter fremfor MDD-patienter. Denne skævhed fremgår tydeligt i heatmaps, hvor følsomheden falder mere end specificiteten, især i bestemte hjerneregioner.

Region-of-interest (ROI)-analyser afslører, at mens beta-båndet har en minimal rolle, opnår VGG16 en bedre forståelse af statistisk vigtige hjerneregioner på tværs af frekvensbånd sammenlignet med DeprNet. For delta og theta-frekvenser er der observeret signifikant aktivitet i venstre temporale, venstre occipitale, centrale og bilaterale frontale områder, hvilket korresponderer med eksisterende neurobiologisk viden om depression hos børn. Alpha- og gamma-båndene viser statistisk signifikans i næsten alle undersøgte regioner.

De statistiske resultater understreger, at hvile-EEG og dyb læring tilsammen tilbyder en robust, datadrevet tilgang til diagnosticering af MDD hos børn, hvor frekvensspecifikke mønstre og regionale hjerneaktiviteter spiller en afgørende rolle. Det er vigtigt at forstå, at sådanne maskinlæringsmodeller i høj grad afhænger af datakvalitet, balancerede datasæt og korrekt validering for at sikre klinisk relevans og generaliserbarhed.

Desuden bør læseren være opmærksom på, at mens specifikke frekvensbånd og hjerneområder kan give indsigt i neurofysiologiske mekanismer bag MDD, kan individuelle variationer og komorbiditeter påvirke resultaterne. Fortolkning af EEG-biomarkører må derfor ske i en multidisciplinær kon