EEG-based Schizophrenia Detection Using Spectral, Entropy, and Graph Connectivity Features with Machine Learning

Diese Studie zeigt, dass ein kombinierter Ansatz aus spektralen, entropiebasierten und graphenbasierten Konnektivitätsmerkmalen von EEG-Daten mit einem Random-Forest-Modell eine vielversprechende Methode zur Unterscheidung von Schizophrenie-Patienten und gesunden Kontrollpersonen mit einer Genauigkeit von bis zu 99,7 % darstellt, wobei jedoch weitere Validierungen an größeren Kohorten erforderlich sind.

Das Wesentliche

🧠 Das Gehirn als Orchester: Wie KI Schizophrenie am „Musikstück" erkennt

Stellen Sie sich das menschliche Gehirn nicht als statischen Stein, sondern als ein riesiges, lebendiges Orchester vor. Jeder Nervenzellen-Cluster ist ein Musiker, und die elektrischen Signale, die sie senden, sind die Noten, die sie spielen.

Bei gesunden Menschen spielt dieses Orchester ein harmonisches, gut koordiniertes Stück. Die Musiker hören sich gegenseitig zu, halten den Takt und improvisieren gemeinsam.

Bei Menschen mit Schizophrenie ist dieses Orchester jedoch durcheinandergeraten. Die Musiker spielen vielleicht zu laut, zu leise, im falschen Takt oder hören sich gar nicht mehr zu. Das Problem: Ein Außenstehender (ein Arzt) kann das oft nur schwer hören, wenn er nur auf die Notenblätter (Symptome wie Halluzinationen oder Wahnvorstellungen) schaut. Die Diagnose ist dann wie ein Ratespiel.

Diese Studie versucht, ein super-ohriges Mikrofon (EEG) an das Gehirn zu halten, um genau zu hören, wie das Orchester spielt, und eine KI (Künstliche Intelligenz) zu nutzen, die sofort erkennt: „Aha, hier stimmt der Rhythmus nicht!"

---

🔍 Die drei Geheimtipps der Forscher

Die Wissenschaftler haben nicht nur auf eine Sache geachtet, sondern drei verschiedene „Musik-Analysen" durchgeführt, um das Chaos im Gehirn zu messen:

1. Die Lautstärke der Frequenzen (Spektrale Leistung)

Stellen Sie sich vor, das Gehirn spielt Musik in verschiedenen Tonarten:

• Tiefe Töne (Delta/Theta): Wie ein langsames, schweres Bass-Dröhnen.
• Mittlere Töne (Alpha/Beta): Wie eine klare, ruhige Melodie.
• Hohe Töne (Gamma): Wie schnelle, spitze Geigen.

Was die Studie fand: Bei Patienten mit Schizophrenie war das Orchester in den tiefen Tönen viel zu laut (zu viel Bass-Dröhnen) und in den hohen Tönen viel zu leise (die Geigen spielen kaum noch). Es ist, als würde jemand die Bass-Tasten auf einer Orgel festhalten, während die hohen Register verstummen.

2. Das Chaos im Rhythmus (Entropie)

Hier schauen die Forscher nicht auf die Lautstärke, sondern auf die Vorhersehbarkeit.

• Ein gesundes Gehirn ist wie ein erfahrener Jazzmusiker: Es spielt komplex, aber es hat einen inneren Rhythmus und eine Struktur.
• Ein schizophrenes Gehirn ist wie ein Anfänger, der wild auf den Tasten herumhämmert. Es ist unvorhersehbarer und chaotischer.

Die Forscher nutzten eine neue Methode namens „Multiscale Permutation Entropy". Das ist wie ein Detektiv, der nicht nur auf einen Takt schaut, sondern auf den Rhythmus über Sekunden, Minuten und Stunden hinweg. Sie stellten fest: Das Gehirn der Patienten ist über verschiedene Zeitskalen hinweg deutlich „unordentlicher" und unvorhersehbarer als das gesunder Menschen.

3. Wer spielt mit wem? (Verbindungen im Netzwerk)

Ein Orchester braucht Kommunikation. Wenn die Geige spielt, muss die Trompete wissen, wann sie einsteigen muss.

• Die Forscher maßen, wie gut die verschiedenen Hirnregionen miteinander „telefonieren".
• Das Ergebnis: Bei Schizophrenie ist die Telefonleitung oft unterbrochen. Die Musiker in der vorderen Hirnregion (die Chefs, die den Takt vorgeben) sprechen kaum noch mit den Musikern im hinteren Teil (die die Bilder verarbeiten).
• Das Gehirn wirkt wie ein Orchester, in dem die Sektionen nicht mehr aufeinander hören. Die „Effizienz" des Netzwerks ist gesunken – es braucht mehr Schritte, um eine Nachricht von A nach B zu bringen.

---

🤖 Der KI-Richter: Wer kann das Chaos am besten erkennen?

Die Forscher gaben all diese Daten (Lautstärke, Chaos-Maß, Verbindungen) in drei verschiedene KI-Modelle, die wie Richter fungierten:

1. Der Einzelkämpfer (SVM): Ein starrer Richter, der nach festen Regeln urteilt.
2. Der Denker (MLP): Ein komplexer Denker, der versucht, tiefe Muster zu lernen.
3. Das Experten-Team (Random Forest): Eine Gruppe von vielen kleinen Entscheidungsbäumen, die gemeinsam abstimmen.

Das Ergebnis: Das Experten-Team (Random Forest) war der ungeschlagene Sieger.

• Es erkannte Schizophrenie mit einer Genauigkeit von fast 99,6 %.
• Das ist so, als würde ein Richter in 100 Fällen 99,6-mal das richtige Urteil fällen, selbst wenn er den Patienten zum ersten Mal sieht.

Besonders wichtig war: Die KI lernte, dass die Verbindungen im Theta- und Alpha-Bereich (die mittleren Frequenzen) die stärksten Hinweise auf die Krankheit waren.

---

⚠️ Ein wichtiger Hinweis zum Schluss

Obwohl die Ergebnisse fantastisch klingen (fast 100 % Trefferquote), gibt es einen Haken:
Die Studie wurde mit nur 28 Personen durchgeführt (14 Kranke, 14 Gesunde). Das ist wie ein Koch, der ein neues Rezept mit nur zwei Töpfen getestet hat. Es schmeckt toll, aber wir müssen es erst mit 1.000 Töpfen testen, bevor wir es in jedem Restaurant anbieten können.

Zusammenfassend:
Die Studie zeigt, dass wir Schizophrenie nicht nur durch Gespräche, sondern durch das „Hören" der elektrischen Signale im Gehirn erkennen können. Die Krankheit macht das Gehirn-Orchester lauter in den tiefen Tönen, chaotischer im Rhythmus und schlechter vernetzt. Eine intelligente KI kann diese Muster heute schon fast perfekt erkennen – ein vielversprechender Schritt hin zu schnelleren und besseren Diagnosen in der Zukunft.

Technische Zusammenfassung

Technische Zusammenfassung: EEG-basierte Schizophrenie-Erkennung mittels spektraler, Entropie- und Graph-Konnektivitätsmerkmale

1. Problemstellung
Die Diagnose der Schizophrenie basiert derzeit primär auf klinischen Interviews und standardisierten Checklisten (z. B. DSM-5, ICD-10), was zu Verzögerungen, Fehldiagnosen (insbesondere im Vergleich zu bipolaren Störungen oder Depressionen) und einer hohen Subjektivität führt. Es fehlen zuverlässige biologische Marker. Elektroenzephalographie (EEG) bietet als nicht-invasive, kostengünstige Methode mit hoher zeitlicher Auflösung eine vielversprechende Alternative. Bisherige Ansätze haben jedoch oft nur einzelne Merkmalskategorien (z. B. nur Spektralleistung oder nur Konnektivität) untersucht, was die Komplexität der neuronalen Dynamik bei Schizophrenie nicht vollständig abbildet.

2. Methodik

• Datensatz:

  • Kohorte: 28 Teilnehmer (14 Patienten mit Schizophrenie, 14 gesunde Kontrollen).
  • Aufnahme: Ruhe-EEG (Augen geschlossen, 5–7 Minuten) mit 19 Elektroden (10–20-System), Abtastrate 500 Hz.
  • Vorbereitung: Bandpass-Filterung (1–45 Hz), Re-Referenzierung auf den Durchschnitt, Segmentierung in 2-Sekunden-Fenster mit 50 % Überlappung. Artefaktbereinigung mittels ICA (unabhängige Komponentenanalyse) und automatischer Erkennung von Muskel- und Augenartefakten.

• Merkmalsextraktion (Multi-Domain-Ansatz):
  Die Studie integriert drei verschiedene Merkmalsdomänen:

  1. Spektrale Leistung (Bandpower): Berechnung der mittleren Leistungsdichte in den Frequenzbändern Delta (1–4 Hz), Theta (4–7 Hz), Alpha (8–12 Hz), Beta (13–30 Hz) und Gamma (30–45 Hz) mittels Welch-Methode.
  2. Multiscale Permutation Entropy (MPE): Ein neuartiger Ansatz für EEG bei Schizophrenie. Die Komplexität der Zeitreihen wird über sechs Zeitskalen hinweg quantifiziert. Dies erfasst die zeitliche Irregularität und Vorhersagbarkeit des Signals auf verschiedenen Auflösungsebenen.
  3. Funktionelle Konnektivität und Graph-Metriken:
     • Berechnung des weighted Phase Lag Index (wPLI) in den Theta-, Alpha- und Beta-Bändern, um Volumenleitungsartefakte zu minimieren.
     • Extraktion von Graph-Metriken aus den resultierenden Konnektivitätsmatrizen: Globale Effizienz, Clustering-Koeffizient, charakteristische Pfadlänge und mittlere Stärke.

• Klassifikation und Validierung:

  • Algorithmen: Vergleich von Random Forest (RF), Support Vector Machine (SVM) und Multi-Layer Perceptron (MLP).
  • Validierungsstrategien:
    1. Stratifizierte 5-Fold-Cross-Validation: Sicherstellung gleicher Klassenverteilung in Trainings- und Testsets.
    2. Leave-One-Subject-Out (LOSO): Ein strengerer Ansatz, bei dem ein gesamter Proband zum Testen zurückgehalten wird, um die Generalisierbarkeit auf neue Individuen zu prüfen.

3. Wichtige Beiträge

• Erstmalige Anwendung von MPE auf EEG bei Schizophrenie: Während MPE bereits in MEG-Studien verwendet wurde, ist dies die erste Anwendung auf EEG-Daten in diesem Kontext.
• Integrativer Framework: Die Kombination von spektralen, komplexitätsbasierten (Entropie) und netzwerkbasierten (Graph) Merkmalen in einem einzigen Klassifikationsrahmen.
• Interpretierbarkeit: Nutzung der Feature-Importance-Analyse des Random-Forest-Modells, um die neurophysiologischen Signale zu identifizieren, die die Unterscheidung am stärksten vorantreiben.

4. Ergebnisse

• Klassifikationsleistung:

  • Der Random Forest-Klassifikator erzielte die besten Ergebnisse mit einer Genauigkeit von 99,7 % (stratifizierte 5-Fold) und 99,6 % (LOSO).
  • MLP und SVM erzielten ebenfalls hohe Werte (ca. 98–99 %), zeigten jedoch eine etwas geringere Stabilität bei der LOSO-Validierung.
  • Die hohe Leistung bestätigte sich auch bei Tests mit nicht-überlappenden Fenstern, was die Robustheit der extrahierten Merkmale unterstreicht.

• Neurophysiologische Befunde:

  • Entropie: Patienten zeigten signifikant höhere MPE-Werte (höhere Irregularität), insbesondere in frontalen, temporalen und okzipitalen Regionen.
  • Spektrale Power: Erhöhte Leistung in niedrigen Frequenzen (Delta, Theta) und reduzierte Leistung in hohen Frequenzen (Alpha, Beta, Gamma).
  • Konnektivität: Die Graph-Analyse zeigte eine verringerte globale Effizienz, einen niedrigeren Clustering-Koeffizienten und eine längere Pfadlänge bei Patienten. Dies deutet auf eine gestörte Integration und Segregation des Netzwerks hin.
  • Wichtigste Merkmale: Die Konnektivität im Theta- und Alpha-Band sowie die Entropie-Merkmale trugen am stärksten zur Klassifikation bei.

5. Bedeutung und Ausblick

Die Studie demonstriert, dass ein multimodaler Ansatz, der spektrale, komplexe und netzwerkbasierte EEG-Merkmale kombiniert, eine extrem hohe Genauigkeit bei der Unterscheidung von Schizophrenie-Patienten und gesunden Kontrollen ermöglicht. Der Random-Forest-Algorithmus erwies sich als besonders robust und interpretierbar.

Einschränkungen:
Die Ergebnisse basieren auf einer kleinen Stichprobe (N=28) und stammen von einer einzigen Klinik in Iran. Daher sind die Befunde als vorläufig zu betrachten.

Zukunftsperspektiven:
Für die klinische Translation sind Validierungen an größeren, diverseren und multizentrischen Kohorten notwendig. Zukünftige Arbeiten sollen task-basierte EEG-Aufnahmen, den Vergleich mit anderen psychiatrischen Erkrankungen (z. B. bipolare Störung) und longitudinale Studien umfassen, um die Biomarker weiter zu verfeinern.