Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)

Для цитирования:

Шушарина Н. Н. Эффективность сверточных нейронных сетей различной архитектуры для задачи диагностики депрессии по данным ЭЭГ // Известия вузов. ПНД. 2024. Т. 32, вып. 4. С. 492-510. DOI: 10.18500/0869-6632-003114, EDN: EOIBSY

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
Иконка PDF and_2024-4_shusharina_492-510.pdf
(загрузок: 0)
Язык публикации: 
русский
Рубрика: 
Нелинейная динамика и нейронаука
Тип статьи: 
Научная статья
УДК: 
004.78
DOI: 
10.18500/0869-6632-003114
EDN: 
EOIBSY

Эффективность сверточных нейронных сетей различной архитектуры для задачи диагностики депрессии по данным ЭЭГ

Авторы: 
Шушарина Наталья Николаевна, Балтийский Федеральный Университет им. И. Канта
Аннотация: 

Цель настоящей работы — сравнительный анализ эффективности использования искусственных нейронных сетей с различными сверточными и рекуррентными архитектурами в задаче диагностики депрессии на основе данных электроэнцефалограмм (ЭЭГ). В качестве объектов исследования выбраны открытые наборы данных и выполнен сбор собственных данных ЭЭГ реальных пациентов с депрессией.

Методы. Для решения задачи выявления биомаркеров депрессивного расстройства по данных ЭЭГ использовались сверточные нейронные сети, использующие двумерную или одномерную операцию свертки, а также гибридные модели сверточных и рекуррентных нейронных сетей. Для тестирования разработанных моделей искусственных нейронных сетей были выбраны открытые наборы данных, выполнен эксперимент по сбору собственных данных реальных пациентов с депрессией, а также проведено объединение подготовленных наборов данных.

Результатом работы является анализ и сравнение эффективности различных классификаторов на основе моделей сверточных и рекуррентных нейронных сетей.

Заключение. Показано, что средняя точность классификации депрессивного расстройства на тестовой выборке с использованием перекрестной проверки составила 0.68. Полученные данные согласуются с известными из литературы результатами, полученными для небольших наборов данных c разбивкой по пациентам. Хотя полученная в данной задаче точность недостаточна для практического применения модели, можно утверждать как о перспективности дальнейших исследований в направлении повышения эффективности модели, так и о необходимости создания достаточно большого репрезентативного набора данных пациентов с депрессией, что является важной научной задачей для дальнейшего построения биофизических моделей депрессивных расстройств.

Ключевые слова: 
неинвазивная электроэнцефалограмма
диагностика депрессии
глубокое обучение
сверточные нейронные сети (CNN)
рекуррентные нейронные сети (RNN)
Благодарности: 
Работа поддержана грантом РНФ (проект No 23-71-30010)
Список источников: 
  1. Rajpurkar P., Chen E., Banerjee O., Topol E. J. AI in health and medicine // Nature medicine. 2022. Vol. 28, no. 1. P. 31–38. DOI: 10.1038/s41591-021-01614-0. 
  2. Abersek B., Flogie A., Pesek I. AI and Cognitive Modelling for Education. Springer Nature; 2023. 230 p. DOI: 10.1007/978-3-031-35331-4.
  3. Karpov O. E., Pitsik E. N., Kurkin S. A., Maksimenko V. A., Gusev A. V., Shusharina N. N., Hramov A. E. Analysis of Publication Activity and Research Trends in the Field of AI Medical Applications: Network Approach // International Journal of Environmental Research and Public Health. 2023. Vol. 20, no. 7. P. 5335. DOI: 10.3390/ijerph20075335.
  4. Карпов О. Э., Храмов А. Е. Информационные технологии, вычислительные системы и искусственный интеллект в медицине. М.: ДПК Пресс; 2022. 480 c.
  5. Tondo G., De Marchi F.. From biomarkers to precision medicine in neurodegenerative diseases: Where are we? // Journal of Clinical Medicine. 2022. Vol. 11, no. 15. P. 4515. DOI: 10.3390/ jcm11154515
  6. Strafella C., Caputo V., Galota M. R., Zampatti S., Marella G., Mauriello S., Cascella R., Giardina E.. Application of precision medicine in neurodegenerative diseases // Frontiers in neurology. 2018. Vol. 9. P. 701. DOI: 10.3389/fneur.2018.00701.
  7. Chepurova A., Hramov A., Kurkin S. Motor Imagery: How to Assess, Improve Its Performance, and Apply It for Psychosis Diagnostics // Diagnostics. 2022. Vol. 12, no. 4. P. 949. DOI: 10.3390/diagnostics1204094.
  8. Zhang Sh., Zhao H., Wang W., Wang Zh., Luo X., Hramov A., Kurths J. Edge-centric effective connection network based on muti-modal MRI for the diagnosis of Alzheimer’s disease // Neurocomputing. 2023. Vol. 552. P. 126512. DOI: 10.1016/j.neucom.2023.126512.
  9. Andreev A. V., Kurkin S. A., Stoyanov D., Badarin A. A., Paunova R., Hramov A. E. Toward interpretability of machine learning methods for the classification of patients with major depressive disorder based on functional network measures // Chaos. 2023. Vol. 33, no. 6. P. 063140. DOI: 10.1063/5.0155567.
  10. Sysoeva O., Maximenko V., Kuc A., Voinova V., Martynova O., Hramov A. Abnormal spectral and scale-free properties of resting-state EEG in girls with Rett syndrome // Scientific Reports. 2023. Vol. 13. P. 12932. DOI: 10.1038/s41598-023-39398-7.
  11. Law Z. K., Todd C., Mehraram R., Schumacher J., Baker M. R., LeBeau F. E., Yarnall A., Onofrj M., Bonanni L., Thomas A., Taylor J. P. The role of EEG in the diagnosis, prognosis and clinical correlations of dementia with Lewy bodies—a systematic review // Diagnostics. 2020. Vol. 10, no. 9. P. 616. DOI: 10.3390/diagnostics10090616.
  12. Schjønning Nielsen M., Simonsen A. H., Siersma V., Engedal K., Jelic V., Andersen B. B., Naik M., Hasselbalch S. G., Høgh P. Quantitative electroencephalography analyzed by statistical pattern recognition as a diagnostic and prognostic tool in mild cognitive impairment: results from a nordic multicenter cohort study // Dementia and Geriatric Cognitive Disorders Extra. 2019. Vol. 8, no. 3. P. 426–438. DOI: 10.1159/000490788.
  13. Gouw A. A. Clinical appications of EEG/MEG in AD: diagnosis, prognosis and treatment monitoring // Alzheimer’s & Dementia. 2023. Vol. 19, no. S12. P. e073238. DOI: 10.1002/alz.073238.
  14. Torres-Simon L., Doval S., Nebreda A., Llinas S. J., Marsh E. B., Maestu F. Understanding brain function in vascular cognitive impairment and dementia with EEG and MEG: A systematic review // NeuroImage: Clinical. 2019. Vol. 35. P. 103040. DOI: 10.1016/j.nicl.2022.103040.
  15. Yahata N., Kasai K., Kawato M. Computational neuroscience approach to biomarkers and treatments for mental disorders // Psychiatry and clinical neurosciences. 2016. Vol. 71, no. 4. P. 215–237. DOI: 10.1111/pcn.12502.
  16. Карпов О. Э., Храмов А. Е. Прогностическая медицина // Врач и информационные технологии. 2021. Т. 3. С. 20–37. DOI: 10.25881/18110193_2021_3_20.
  17. Pitsik E. N., Maximenko V. A., Kurkin S. A., Sergeev A. P., Stoyanov D., Paunova R., Kandilarova S., Simeonova D., Hramov A. E. The topology of fMRI-based networks defines the performance of a graph neural network for the classification of patients with major depressive disorder // Chaos, Solitons & Fractals. 2023. Vol. 167. P. 113041. DOI: 10.1016/j.chaos.2022.113041.
  18. Boronina A., Maksimenko V., Hramov A. E. Convolutional Neural Network Outperforms Graph Neural Network on the Spatially Variant Graph Data // Mathematics. 2023. Vol. 11, no. 11. P. 2515. DOI: 10.3390/math11112515
  19. Mumtaz W. MDD Patients and Healthy Controls EEG Data (New) // figshare. 2016. Dataset. DOI: 10.6084/m9.figshare.4244171.v2
  20. Cavanagh J. EEG: Depression rest // OpenNeuro. 2021. Dataset. DOI: 10.18112/openneuro. ds003478.v1.1.0
  21. Cai H., Yuan Z., Gao Y., Sun S., Li N., Tian F., Xiao H., Li J., Yang Z., Li X., Zhao Q., Liu Z., Yao Z., Yang M., Peng H., Zhu J., Zhang X., Gao G., Zheng F., Li R., Guo Z., Ma R., Yang J., Zhang L., Hu X., Li Y., Hu B. MODMA dataset: a Multi-modal Open Dataset for Mental-disorder Analysis // arXiv:2002.09283. 2020. Dataset. DOI: 10.48550/arXiv.2002.09283.
  22. MODMA Dataset. URL: http://modma.lzu.edu.cn/data/application/.
  23. Beck A. T., Ward C., Mendelson M., Mock J., Erbaugh J. An inventory for measuring depression // Archives of general psychiatry. 1961. Vol. 4, no. 6. P. 561–571. DOI: 10.1001/archpsyc.1961. 01710120031004.
  24. Mumtaz W., Ali S. S. A., Yasin M. A. M., Malik A. S. A machine learning framework involving EEG-based functional connectivity to diagnose major depressive disorder (MDD) // Medical & biological engineering & computing. 2018. Vol. 56, no. 2. P. 233–246. DOI: 10.1007/s11517-017- 1685-z.
  25. Gramfort A., Luessi M., Larson E., Engemann D. A., Strohmeier D., Brodbeck C., Hamalainen M. MEG and EEG data analysis with MNE-Python // Frontiers in neuroscience. 2013. Vol. 7. P. 267. DOI: 10.3389/fnins.2013.00267.
  26. Mumtaz W., Xia L., Ali S. S. A., Yasin M. A. M., Hussain M., Malik A. S. Electroencephalogram (EEG)-based computer-aided technique to diagnose major depressive disorder (MDD) // Biomedical Signal Processing and Control. 2017. Vol. 31, P. 108–115. DOI: 10.1016/j.bspc.2016.07.006.
  27. Stephan K. E., Schlagenhauf F., Huys Q. J., Raman S., Aponte E. A., Brodersen K. H., Rigoux L., Moran R. J., Daunizeau J., Dolan R. J., Friston K. J., Heinz A. Computational neuroimaging strategies for single patient predictions // Neuroimage. 2017. Vol. 145, Part B. P. 180–199. DOI: 10.1016/j.neuroimage.2016.06.038.
  28. de Bardeci M., Ip C. T., Olbrich S. Deep learning applied to electroencephalogram data in mental disorders: A systematic review // Biological Psychology. 2021. Vol. 162. P. 108117. DOI: 10.1016/j.biopsycho.2021.108117.
  29. Rivera M. J., Teruel M. A., Mate A., Trujillo J. Diagnosis and prognosis of mental disorders by means of EEG and deep learning: a systematic mapping study // Artificial Intelligence Review. 2022. Vol. 55. P. 1209–1251. DOI: 10.1007/s10462-021-09986-y.
  30. Mumtaz W., Malik A. S., Ali S. S. A., Yasin M. A. M. P300 intensities and latencies for major depressive disorder detection // 2015 IEEE International Conference on Signal and Image Processing Applications (ICSIPA). 2015. P. 542–545. DOI: 10.1109/ICSIPA.2015.7412250.
  31. Mumtaz W., Qayyum A. A deep learning framework for automatic diagnosis of unipolar depression // International journal of medical informatics. 2019. Vol. 132. P. 103983. DOI: 10.1016/j.ijmedinf. 2019.103983.
  32. Acharya U. R., Oh S. L., Hagiwara Y., Tan J. H., Adeli H., Subha D. P. Automated EEG-based screening of depression using deep convolutional neural network // Computer methods and programs in biomedicine. 2018. Vol. 161. P. 103–113. DOI: 10.1016/j.cmpb.2018.04.012.
  33. Ay B., Yildirim O., Talo M., Baloglu U. B., Aydin G., Puthankattil S. D., Acharya U. R. Automated depression detection using deep representation and sequence learning with EEG signals // Journal of medical systems. 2019. Vol. 43. P. 205. DOI: 10.1007/s10916-019-1345-y.
  34. Sandheep P., Vineeth S., Poulose M., Subha D. P. Performance analysis of deep learning CNN in classification of depression EEG signals // 2019 IEEE Region 10 Conference (TENCON). 2019. P. 1339–1344. DOI: 10.1109/TENCON.2019.8929254.
  35. Lawhern V. J., Solon A. J., Waytowich N. R., Gordon S. M., Hung C. P., Lance B. J. EEGNet: a compact convolutional neural network for EEG-based brain–computer interfaces // Journal of neural engineering. 2018. Vol. 15, no. 5. P. 056013. DOI: 10.1088/1741-2552/aace8c.
  36. Cun Y. L., Bottou L., Orr G., Muller K. Efficient backprop. Neural networks: Tricks of the trade. Springer, Berlin, Heidelberg. 2012. P. 9–48. DOI: 10.1007/978-3-642-35289-8_3.
  37. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O., Duchesnay E. Scikitlearn: Machine learning in Python // The Journal of Machine Learning Research. 2011. Vol. 12. P. 2825–2830.
  38. Abadi M., Agarwal A., Barham P., Brevdo E., Chen Z., Citro C., Zheng X. Tensorflow: Large-scale machine learning on heterogeneous distributed systems // arXiv:1603.04467. 2016. Dataset. DOI: 10.48550/arXiv.1603.04467.
  39. Kingma D. P., Ba J. Adam: A method for stochastic optimization // arXiv:1412.6980. 2014. Dataset. DOI: 10.48550/arXiv.1412.6980.
  40. Hutter F., Lucke J., Schmidt-Thieme L. Beyond manual tuning of hyperparameters // KI-Kunstliche Intelligenz. 2015. Vol. 29, no. 4. P. 329–337. DOI: 10.1007/s13218-015-0381-0.
  41. Bergstra J., Bengio Y. Random search for hyper-parameter optimization // Journal of Machine Learning Research. 2012. Vol. 13. P. 281–305.
  42. KerasTuner. URL: https://github.com/keras-team/keras-tuner.
  43. Lashgari E., Liang D., Maoz U. Data augmentation for deep-learning-based electroencephalography // Journal of Neuroscience Methods. 2020. Vol. 346. P. 108885. DOI: 10.1016/j.jneumeth. 2020.108885.
  44. Koppe G., Meyer-Lindenberg A., Durstewitz D. Deep learning for small and big data in psychiatry // Neuropsychopharmacology Reviews. 2021. Vol. 46. P. 176–190. DOI: doi.org/10.1038/s41386- 020-0767-z.
  45. Durstewitz D., Koppe G., Meyer-Lindenberg A. Deep neural networks in psychiatry // Molecular Psychiatry. 2019. Vol. 24. P. 1583–1598. DOI: doi.org/10.1038/s41380-019-0365-9.
  46. Zhang Z., Lin W., Liu M., Mahmoud M.. Multimodal Deep Learning Framework for Mental Disorder Recognition // 2020 15th IEEE International Conference on Automatic Face and Gesture Recognition (FG 2020), Buenos Aires, Argentina. 2020. P. 344–350. DOI: 10.1109/FG47880.2020. 00033.
Поступила в редакцию: 
11.02.2024
Принята к публикации: 
14.03.2024
Опубликована онлайн: 
02.07.2024
Опубликована: 
31.07.2024
  • 896 просмотров