Effective EEG Feature Selection for Interpretable MDD (Major Depressive Disorder) Classification
Loading...
Date
2023-04-14
ORCID
0000-0002-9399-9313Advisor
Referee
Mark
Journal Title
Journal ISSN
Volume Title
Publisher
Association for Computing Machinery
Altmetrics
Abstract
In this paper, we propose an interpretable electroencephalogram (EEG)-based solution for the diagnostics of major depressive disorder (MDD). The acquisition of EEG experimental data involved 32 MDD patients and 29 healthy controls. A feature matrix is constructed involving frequency decomposition of EEG data based on power spectrum density (PSD) using the Welch method. Those PSD features were selected, which were statistically significant. To improve interpretability, the best features are first selected from feature space via the non-dominated sorting genetic (NSGA-II) evolutionary algorithm. The best features are utilized for support vector machine (SVM), and k-nearest neighbors (k-NN) classifiers, and the results are then correlated with features to improve the interpretability. The results show that the features (gamma bands) extracted from the left temporal brain regions can distinguish MDD patients from control significantly. The proposed best solution by NSGA-II gives an average sensitivity of 93.3%, specificity of 93.4% and accuracy of 93.5%. The complete framework is published as open-source at https://github.com/ehw-fit/eeg-mdd.
V tomto článku navrhujeme interpretovatelnou metodu pro diagnostiku velké depresivní poruchy (MDD) založenou na elektroencefalogramu (EEG). Experimentální data EEG byla získána od 32 pacientů s MDD a 29 zdravých jedinců. Byla zkonstruována matice příznaků zahrnující frekvenční dekompozici EEG dat na základě hustoty výkonového spektra (PSD) pomocí Welchovy metody. Byly vybrány ty příznaky PSD, které byly statisticky významné. Pro zlepšení interpretovatelnosti byly nejprve vybrány nejlepší příznaky z prostoru příznaků pomocí vícekriteriálního evolučního algoritmu NSGA-II. Nejlepší příznaky jsou využity pro klasifikaci pomocí algoritmů SVM a k-NN. Výsledky jsou následně korelovány s příznaky, aby se zlepšila interpretovatelnost. Výsledky ukazují, že příznaky (gama pásmo) extrahované z levé spánkové oblasti mozku dokáží významně odlišit pacienty s MDD od kontrolní skupiny. Navržené nejlepší řešení pomocí NSGA-II poskytuje průměrnou citlivost 93,3 %, specifičnost 93,4 % a přesnost 93,5 %. Kompletní systém je zveřejněn jako open-source na adrese https://github.com/ehw-fit/eeg-mdd.
V tomto článku navrhujeme interpretovatelnou metodu pro diagnostiku velké depresivní poruchy (MDD) založenou na elektroencefalogramu (EEG). Experimentální data EEG byla získána od 32 pacientů s MDD a 29 zdravých jedinců. Byla zkonstruována matice příznaků zahrnující frekvenční dekompozici EEG dat na základě hustoty výkonového spektra (PSD) pomocí Welchovy metody. Byly vybrány ty příznaky PSD, které byly statisticky významné. Pro zlepšení interpretovatelnosti byly nejprve vybrány nejlepší příznaky z prostoru příznaků pomocí vícekriteriálního evolučního algoritmu NSGA-II. Nejlepší příznaky jsou využity pro klasifikaci pomocí algoritmů SVM a k-NN. Výsledky jsou následně korelovány s příznaky, aby se zlepšila interpretovatelnost. Výsledky ukazují, že příznaky (gama pásmo) extrahované z levé spánkové oblasti mozku dokáží významně odlišit pacienty s MDD od kontrolní skupiny. Navržené nejlepší řešení pomocí NSGA-II poskytuje průměrnou citlivost 93,3 %, specifičnost 93,4 % a přesnost 93,5 %. Kompletní systém je zveřejněn jako open-source na adrese https://github.com/ehw-fit/eeg-mdd.
Description
Citation
GECCO 2023 - Proceedings of the 2023 Genetic and Evolutionary Computation Conference. 2023, p. 1427-1435.
https://dl.acm.org/doi/10.1145/3583131.3590398
https://dl.acm.org/doi/10.1145/3583131.3590398
Document type
Peer-reviewed
Document version
Published version
Date of access to the full text
Language of document
en