Classification of Healthy People and Schizophrenics Using Time- Frequency Domain Features Extracted from Electroencephalogram Signals

Diese Studie stellt ein automatisiertes Diagnoseverfahren für Schizophrenie vor, das mittels einer Kombination von Zeit-, Frequenz- und Zeit-Frequenz-Features aus EEG-Signalen und ausgewählten Klassifikatoren eine 100-prozentige Unterscheidung zwischen gesunden Probanden und Patienten ermöglicht.

Das Wesentliche

🧠 Schizophrenie erkennen: Wie ein digitaler Detektiv das Gehirn "abhört"

Stellen Sie sich das menschliche Gehirn wie eine riesige, belebte Stadt vor. In einer gesunden Stadt fließt der Verkehr (die elektrischen Signale) geordnet, die Ampeln schalten regelmäßig, und die Straßen sind klar. Bei Menschen mit Schizophrenie ist diese Stadt jedoch oft im Chaos: Die Ampeln blinken wild, Straßen sind blockiert, und es herrscht eine Art "Verkehrsstau" aus verrückten Gedanken und Halluzinationen.

Bisher mussten Ärzte wie Detektive arbeiten, die nur durch Gespräche mit dem Patienten versuchen, dieses Chaos zu verstehen. Das ist schwierig, subjektiv und manchmal fehleranfällig.

Diese Studie möchte den Ärzten einen digitalen Assistenten an die Seite stellen, der das Gehirn nicht durch Worte, sondern durch elektrische Wellen "hört".

1. Das Mikrofon am Kopf (EEG)

Die Forscher haben den Teilnehmern eine Art "Kopfhörer" mit vielen Sensoren aufgesetzt (ein EEG-Gerät). Das ist wie ein sehr empfindliches Mikrofon, das die elektrischen Gespräche der Gehirnzellen aufzeichnet.

• Die Gruppe: Sie haben 14 gesunde Menschen und 14 Menschen mit Schizophrenie untersucht.
• Die Aufgabe: Alle sollten einfach nur mit geschlossenen Augen entspannen, während das Gerät 5 Minuten lang "zuhörte".

2. Das große Putzen (Vorverarbeitung)

Die Rohdaten sind oft schmutzig. Es gibt Störungen durch Herzschläge, Augenbewegungen oder das 50-Hz-Brummen der Steckdose.

• Die Analogie: Stellen Sie sich vor, Sie hören ein Gespräch in einer lauten Bar. Zuerst müssen Sie die Musik leiser drehen (Filter) und die Stimmen der anderen Gäste herausfiltern (Entfernung von Störsignalen), damit Sie nur das Gespräch des Patienten hören.

3. Die drei Detektive (Merkmals-Extraktion)

Jetzt kommt der spannende Teil. Die Forscher haben nicht nur einen Blick auf die Wellen geworfen, sondern sie auf drei verschiedene Arten analysiert, wie ein Detektiv, der einen Tatort von drei Seiten beleuchtet:

• Der Zeit-Detektiv (Zeitbereich): Er schaut, wie schnell die Wellen auf und ab hüpfen.
  • Beispiel: Wie oft kreuzt die Welle die Null-Linie? Ist das Signal eher wie ein ruhiger Fluss oder wie ein wilder Wasserfall?
• Der Frequenz-Detektiv (Frequenzbereich): Er zerlegt das Signal in verschiedene "Farben" oder Tonhöhen (wie bei einem Equalizer).
  • Beispiel: Gibt es zu viel "tiefes Grollen" (Delta-Wellen) oder zu wenig "klare Höhen" (Alpha-Wellen)? Bei Schizophrenie ist das oft anders als bei Gesunden.
• Der Zeit-Frequenz-Detektiv (Zeit-Frequenz-Bereich): Das ist der Super-Detektiv. Er schaut sich an, wie sich die Farben (Frequenzen) über die Zeit verändern.
  • Beispiel: Wie ein Musikstück, bei dem man nicht nur die Noten sieht, sondern auch, wann sie laut oder leise werden.

Aus diesen drei Blickwinkeln haben sie 18 verschiedene Messwerte (Merkmale) berechnet. Das sind wie 18 verschiedene Indizien, die auf ein Verbrechen hindeuten könnten.

4. Die Nadel im Heuhaufen finden (Merkmalsauswahl)

18 Indizien sind viel zu viel für einen Computer, um schnell zu entscheiden. Man braucht die allerbesten.

• Die Analogie: Stellen Sie sich vor, Sie haben einen Sack voller Schlüssel. Sie wissen, dass nur einer davon die Tür öffnet. Die Forscher haben einen cleveren Algorithmus benutzt, der die unwichtigen Schlüssel wegwirft und die besten 10 herauspickselt.
• Das Ergebnis: Es stellte sich heraus, dass bestimmte Muster (wie die "Komplexität" der Wellen oder die Verteilung der Energie) fast immer die gleichen waren, egal welcher Computer-Algorithmus sie suchte.

5. Die Entscheidung (Klassifizierung)

Jetzt haben sie verschiedene "Schüler" (Klassifikatoren) getestet, die lernen sollen, zwischen "Gesund" und "Krank" zu unterscheiden.

• Die Schüler: Es gab den "Nachbarn" (KNN), den "Entscheidungsbaum" (Decision Tree), den "Statistik-Profi" (Naive Bayes) und den "Trennlinien-Meister" (SVM).
• Der Test: Jeder Schüler bekam die 10 besten Indizien und musste raten: Ist diese Person gesund oder hat sie Schizophrenie?

6. Das Ergebnis: Ein perfekter Score! 🏆

Das Ergebnis war verblüffend. Drei der "Schüler" (Linear SVM, Nicht-linearer SVM und Entscheidungsbaum) erreichten eine Genauigkeit von 100%.

• Was bedeutet das? In diesem kleinen Test haben sie keinen einzigen Fehler gemacht. Sie haben jedes Gehirn korrekt identifiziert.

Fazit: Ein neues Werkzeug für die Zukunft

Diese Studie zeigt, dass wir nicht mehr nur auf das Gespräch mit dem Patienten angewiesen sind. Wir können dem Gehirn "zuhören" und mit Hilfe von Computern Muster erkennen, die für das menschliche Auge unsichtbar sind.

Die große Metapher:
Früher mussten Ärzte raten, ob ein Haus brennt, indem sie den Rauch riechen. Jetzt haben sie eine Wärmebildkamera (die EEG-Analyse), die die Hitze genau dort sieht, wo das Feuer ist – noch bevor die Flammen durch das Dach schlagen. Das hilft, die Diagnose schneller, objektiver und genauer zu stellen.

Hinweis: Da die Studie nur 28 Personen umfasste, ist das ein vielversprechender erster Schritt, aber die Methode muss noch an viel größeren Gruppen getestet werden, bevor sie in jeder Klinik eingesetzt werden kann.

Technische Zusammenfassung

Technische Zusammenfassung: Klassifizierung gesunder Personen und Schizophrenie-Patienten mittels Zeit-Frequenz-Domänen-Features aus EEG-Signalen

1. Problemstellung

Schizophrenie (SZ) ist eine komplexe, chronische psychiatrische Erkrankung, die durch neurobiologische Defizite gekennzeichnet ist. Die aktuelle Diagnose stützt sich primär auf klinische Interviews und Verhaltensbeobachtungen, was subjektiv, zeitaufwendig und fehleranfällig ist. Zudem kommt es häufig zu Fehldiagnosen, da andere Störungen (z. B. bipolare Störung oder Depression) oft fälschlicherweise als Schizophrenie diagnostiziert werden.
Das Ziel dieser Studie ist die Entwicklung eines automatisierten, objektiven Diagnosewerkzeugs, das Elektrokardiogramm (EEG)-Signale nutzt, um Schizophrenie-Patienten von gesunden Kontrollpersonen zu unterscheiden und Psychiater bei der Diagnose zu unterstützen.

2. Methodik

Datensatz und Vorverarbeitung:

• Daten: EEG-Aufzeichnungen von 14 gesunden Probanden (Durchschnittsalter: 25,3 ± 8,1 Jahre) und 14 Schizophrenie-Patienten (Durchschnittsalter: 28,42 ± 5,93 Jahre).
• Aufnahme: 19 Elektroden nach dem 10-20-System, 500 Hz Abtastrate, Ruhezustand mit geschlossenen Augen (5 Minuten genutzt).
• Vorverarbeitung:
  • Bandpassfilterung (0,5–45 Hz) mittels FIR-Filter zur Eliminierung von Netzbrummen und hochfrequentem Rauschen.
  • Anwendung der Independent Component Analysis (ICA) zur Entfernung von Artefakten (z. B. Augenbewegungen, Herzschlag).

Merkmalsextraktion (Feature Extraction):
Es wurden Merkmale aus drei Domänen extrahiert, was insgesamt 18 Merkmalsmodelle ergab:

1. Zeitdomäne: Null-Durchgangsrate (ZCR), Hjorth-Mobilität, Hjorth-Komplexität, Higuchi-Fraktaldimension, Lempel-Ziv-Komplexität (LZC).
2. Frequenzdomäne: Mittlere Leistung in den Bändern Delta, Theta, Alpha, Beta, Gamma; Delta-zu-Alpha-Leistungsverhältnis; Spektrale Entropie.
3. Zeit-Frequenz-Domäne: Diskrete Wavelet-Transformation (DWT) mit Daubechies-6-Wavelet. Extrahiert wurden Kurtosis, Hurst-Exponent, Shannon-Entropie, Log-Energie-Entropie, Rényi-Entropie und Tsallis-Entropie.

Merkmalsselektion:
Um die Dimensionalität zu reduzieren und Overfitting zu vermeiden, wurde eine hybride Methode eingesetzt:

1. Skalare Mutual Information: Entfernung irrelevanter Merkmale.
2. Sequential Forward Feature Selection (SFFS): Selektion der optimalen Merkmalskombination basierend auf der höchsten Klassifikationsgenauigkeit für jeden einzelnen Klassifikator.

Klassifikationsalgorithmen:
Es wurden sieben verschiedene Machine-Learning-Modelle getestet:

• K-Nearest Neighbors (KNN) und Weighted KNN (WKNN)
• Lineare und nichtlineare Support Vector Machines (SVM) mit RBF-Kernel
• Decision Trees (DT)
• Linear Discriminant Analysis (LDA)
• Naive Bayes (NB)

Validierung:
Aufgrund der kleinen Stichprobengröße (n=28) wurden 10-Fold-Cross-Validation und Leave-One-Out-Cross-Validation (LOOCV) verwendet, um die Robustheit der Ergebnisse sicherzustellen.

3. Wichtige Beiträge und Ergebnisse

Ergebnisse der Merkmalsselektion:

• Die Analyse zeigte, dass bestimmte Merkmale über alle Klassifikatoren hinweg konsistent als die wichtigsten identifiziert wurden. Dazu gehörten:
  • Lempel-Ziv-Komplexität (Zeitdomäne)
  • Spektrale Entropie (Frequenzdomäne)
  • Log-Energie-Entropie (Zeit-Frequenz-Domäne)
• Die Kombination von Merkmalen aus allen drei Domänen erwies sich als überlegen gegenüber der Nutzung einzelner Domänen.

Klassifikationsleistung:
Die Leistung wurde vor und nach der Merkmalsselektion verglichen. Nach der Selektion der Top-10-Merkmale pro Klassifikator wurden signifikante Verbesserungen erzielt:

• Perfekte Genauigkeit (100%): Drei Klassifikatoren erreichten unter Verwendung der LOOCV-Methode nach Merkmalsselektion eine Genauigkeit von 100 %:
  1. Lineare SVM
  2. Nichtlineare SVM (RBF)
  3. Decision Tree
• Hohe Leistung anderer Modelle:
  • LDA erreichte 98 % Genauigkeit.
  • Naive Bayes und KNN lagen im Bereich von 95–96 %.
• Vergleich der Domänen: Die Integration aller drei Domänen (Zeit, Frequenz, Zeit-Frequenz) führte zu besseren Ergebnissen als die isolierte Betrachtung einzelner Domänen. Die Naive-Bayes-Klassifikation zeigte in der Frequenzdomäne ebenfalls sehr gute Ergebnisse (bis zu 100 % in LOOCV vor Selektion), aber die SVM-Modelle profitierten am stärksten von der hybriden Merkmalsselektion.

4. Bedeutung und Fazit

Diese Studie demonstriert erfolgreich, dass eine automatisierte Diagnose der Schizophrenie mittels EEG-Signalen und fortschrittlicher Machine-Learning-Techniken möglich ist.

• Innovation: Der Hauptbeitrag liegt in der Kombination von Merkmalen aus drei verschiedenen Domänen (Zeit, Frequenz, Zeit-Frequenz) und der Anwendung einer hybriden Merkmalsselektion (Mutual Information + SFFS), die eine hohe Genauigkeit auch bei kleinen Datensätzen ermöglicht.
• Klinische Relevanz: Das vorgeschlagene System kann als zuverlässiges, objektives und kosteneffizientes Hilfsmittel für Psychiater dienen, um die Diagnosegenauigkeit zu erhöhen und Fehldiagnosen zu reduzieren.
• Zukunftsperspektiven: Die Autoren schlagen vor, diese Methode auf andere psychiatrische Erkrankungen, die Unterscheidung zwischen positiven und negativen Symptomen sowie auf spezifische Altersgruppen (z. B. Jugendliche) anzuwenden, sobald entsprechende Datensätze verfügbar sind.

Zusammenfassend liefert das Paper einen starken Beweis dafür, dass nichtlineare und statistische Merkmale aus EEG-Daten in Kombination mit SVM- und Entscheidungsbaum-Modellen ein hochpräzises Werkzeug zur Erkennung von Schizophrenie darstellen.