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

Questo studio propone un metodo automatizzato per la diagnosi della schizofrenia che utilizza segnali EEG e caratteristiche estratte dai domini temporale, frequenziale e tempo-frequenziale, ottenendo una precisione del 100% con tre diversi classificatori.

L'essenziale

Immagina il cervello umano come un orchestra complessa. Quando tutto va bene, gli strumenti (i neuroni) suonano in armonia, creando una melodia chiara e prevedibile. Quando una persona soffre di schizofrenia, è come se l'orchestra iniziasse a suonare note stonate, ritmi confusi o melodie che non si capiscono.

Il problema è che, fino a oggi, per diagnosticare questa "disarmonia", i medici dovevano affidarsi solo a ciò che il paziente raccontava o a come si comportava. È un po' come cercare di capire se un'orchestra è malata ascoltando solo le loro risposte a un'intervista, senza ascoltare la musica. È difficile, soggettivo e a volte si sbaglia.

L'idea geniale: Ascoltare la "partitura" del cervello

Gli autori di questo studio, Nazila e Kamaleddin, hanno avuto un'idea brillante: usare l'elettroencefalogramma (EEG).
Pensa all'EEG come a un microfono super-preciso che registra l'attività elettrica del cervello. Invece di ascoltare solo la melodia generale, questo studio ha analizzato la musica in tre modi diversi:

1. Nel tempo: Come cambia la melodia secondo secondo (es. è veloce? è lenta?).
2. Nella frequenza: Quali "note" (bassi, medi, acuti) sono più forti?
3. Nel tempo-frequenza: Una mappa che mostra come le note cambiano mentre la musica scorre.

Il processo: Dalla confusione alla chiarezza

Hanno registrato il "suono" del cervello di 14 persone sane e 14 persone con schizofrenia. Ma c'era un problema: c'erano troppe informazioni, come se avessero 18 diversi strumenti musicali che suonavano tutti insieme. Era difficile capire quale strumento fosse il colpevole della confusione.

Per risolvere questo, hanno usato un assistente intelligente (l'Intelligenza Artificiale) che ha fatto due cose:

1. Ha filtrato il rumore: Ha scartato le note inutili o confuse (come il fruscio di un microfono o il battito di un cuore che non c'entra).
2. Ha scelto i migliori strumenti: Ha selezionato solo i 10 "strumenti" (caratteristiche matematiche) che raccontavano meglio la storia della malattia.

Il risultato: Un detective infallibile

Una volta selezionati i migliori "strumenti", hanno fatto giocare diversi "detective" (algoritmi di classificazione) per vedere chi riusciva a distinguere meglio i sani dai malati.
I detective erano:

• KNN: Un detective che guarda i vicini (se i vicini sono malati, probabilmente lo sei anche tu).
• SVM: Un detective che disegna una linea perfetta per separare i due gruppi.
• Naive Bayes: Un detective che usa la probabilità e l'esperienza passata.

La sorpresa? Tre di questi detective (SVM lineare, SVM non lineare e Decision Tree) sono riusciti a indovinare al 100% chi era sano e chi no, usando i dati selezionati.

Perché è importante?

Immagina di avere un termometro per la mente.
Oggi, diagnosticare la schizofrenia è come cercare di misurare la febbre guardando il viso di una persona: a volte funziona, a volte no. Questo studio propone un "termometro" che legge l'attività elettrica del cervello e dice: "Attenzione, qui c'è un'armonia rotta".

Non sostituisce il medico (che rimane fondamentale per l'empatia e la cura), ma è come un secondo paio di occhi che aiuta il medico a non sbagliare diagnosi, specialmente quando i sintomi sono confusi o simili ad altre malattie (come la depressione).

In sintesi

Questo studio ci dice che, analizzando la "musica" del cervello con gli occhi giusti (tecnologia e intelligenza artificiale), possiamo creare uno strumento automatico, veloce e preciso per aiutare a diagnosticare la schizofrenia, rendendo la vita più facile sia ai pazienti che ai medici. È un passo avanti verso una medicina più chiara e meno basata sulle supposizioni.

Sommario tecnico

Titolo: Classificazione di Soggetti Sani e Pazienti con Schizofrenia Utilizzando Caratteristiche Estratte dai Segnali EEG nei Domini Temporale, Frequenziale e Tempo-Frequenziale

1. Il Problema

La schizofrenia (SZ) è un disturbo mentale cronico e complesso caratterizzato da deficit neurobiologici, allucinazioni, deliri e comportamenti disorganizzati. La diagnosi attuale si basa esclusivamente su valutazioni comportamentali e cliniche condotte da psichiatri, un processo che presenta diverse criticità:

• Soggettività e Affidabilità: La diagnosi manuale è soggetta a errori umani e può portare a diagnosi errate (es. confusione con disturbo bipolare o depressione maggiore).
• Costi e Tempi: Il processo è costoso, dispendioso in termini di tempo e faticoso.
• Necessità di Automazione: Esiste un urgente bisogno di strumenti di screening automatizzati, economici e accurati che possano supportare i clinici, specialmente considerando che il 90% dei casi non trattati si trova in paesi a basso e medio reddito.

2. Metodologia

Lo studio propone un sistema di diagnosi automatizzata basato sull'analisi dei segnali Elettroencefalografici (EEG) utilizzando l'apprendimento automatico (Machine Learning).

A. Dataset e Preprocessing

• Cohort: 28 soggetti totali (14 sani, 14 con diagnosi di schizofrenia) registrati presso il Centro di Neuroscienze Cliniche Atieh.
• Acquisizione: Segnali EEG registrati a riposo (occhi chiusi) per 5 minuti, utilizzando 19 elettrodi (sistema 10-20) a 500 Hz.
• Pulizia del Segnale:
  • Filtraggio Band-pass (0.5–45 Hz) tramite filtro FIR per rimuovere il rumore di rete e le componenti ad alta frequenza.
  • Analisi delle Componenti Indipendenti (ICA) per eliminare artefatti non cerebrali (movimenti oculari, battito cardiaco).

B. Estrazione delle Caratteristiche (Feature Extraction)
Sono state estratte 18 tipologie di caratteristiche da tre domini distinti per creare un vettore di feature integrato:

1. Dominio Temporale:
   • Zero Crossing Rate (ZCR), Mobilità e Complessità di Hjorth, Dimensione Frattale di Higuchi, Complessità di Lempel-Ziv (LZC).
2. Dominio Frequenziale:
   • Potenza media nelle bande Delta, Theta, Alpha, Beta, Gamma.
   • Rapporto di potenza Delta/Alpha (biomarcatore specifico per la SZ).
   • Entropia Spettrale.
3. Dominio Tempo-Frequenziale:
   • Trasformata Wavelet Discreta (DWT) con wavelet madre Daubechies 6.
   • Estrazione di Kurtosis, Esponente di Hurst, Entropia di Shannon, Log Energy, Rényi e Tsallis.

C. Selezione delle Caratteristiche
Per ridurre la dimensionalità e prevenire l'overfitting (data la piccola dimensione del campione), è stato utilizzato un approccio ibrido:

1. Mutual Information (MI): Rimozione delle feature irrilevanti (metodo scalare veloce).
2. Sequential Forward Feature Selection (SFFS): Selezione sequenziale delle combinazioni ottimali di feature basata sulla massima accuratezza ottenuta dal classificatore. Sono state selezionate le migliori 10 combinazioni per ogni classificatore.

D. Classificazione
Sono stati testati diversi algoritmi di Machine Learning supervisionato:

• K-Nearest Neighbors (KNN) e KNN Ponderato (WKNN).
• Support Vector Machine (SVM) Lineare e Non Lineare (con kernel RBF).
• Decision Tree (DT).
• Linear Discriminant Analysis (LDA).
• Naive Bayes (NB).

E. Validazione
Per garantire l'affidabilità dei risultati su un dataset limitato, sono state utilizzate due tecniche di validazione incrociata:

• Leave-One-Out (LOO): Ogni campione è stato usato una volta come test set (N=28 iterazioni).
• 10-Fold Cross-Validation: I dati sono stati divisi in 10 fold.

3. Risultati Chiave

Lo studio ha dimostrato che l'integrazione di feature da tutti e tre i domini, combinata con una selezione rigorosa, porta a prestazioni eccezionali.

• Accuratezza del 100%: Tre classificatori hanno raggiunto un'accuratezza del 100% sia nella validazione LOO che nella validazione 10-fold, dopo la selezione delle feature:
  1. SVM Lineare
  2. SVM Non Lineare (RBF)
  3. Decision Tree
• Performance dei Classificatori:
  • Il Naive Bayes ha mostrato le migliori prestazioni quando si utilizzavano solo i dati del dominio Tempo-Frequenziale (100% di accuratezza).
  • Il KNN ha generalmente ottenuto le prestazioni più basse rispetto agli altri metodi.
• Feature Più Rilevanti: Le caratteristiche comuni a tutti i classificatori ad alte prestazioni includevano:
  • Complessità di Lempel-Ziv (Temporale).
  • Entropia Spettrale (Frequenziale).
  • Entropia Logaritmica dell'Energia (Tempo-Frequenziale).
  • Altre feature critiche includevano l'Esponente di Hurst, la Complessità di Hjorth e il rapporto di potenza Delta/Alpha.

4. Contributi Principali

1. Approccio Multi-Dominio: A differenza della maggior parte degli studi precedenti che si concentrano su un singolo dominio (tempo o frequenza), questo lavoro integra sistematicamente feature temporali, frequenziali e tempo-frequenziali (tramite DWT) per catturare una rappresentazione più completa della disfunzione cerebrale nella schizofrenia.
2. Metodologia Ibrida di Selezione: L'uso combinato di Mutual Information e SFFS ha permesso di identificare un sottoinsieme minimo ma altamente discriminante di feature, riducendo il rischio di overfitting su piccoli dataset.
3. Validazione Rigorosa: L'uso di tecniche di validazione incrociata robuste (LOO e 10-fold) su un dataset clinico reale conferma la solidità del modello proposto.

5. Significato e Implicazioni

• Strumento di Supporto Clinico: Il sistema proposto si configura come un potente strumento complementare per i psichiatri, offrendo una diagnosi oggettiva basata su dati biologici (EEG) che riduce la dipendenza dalle sole osservazioni comportamentali.
• Diagnosi Precoce e Differenziale: L'alta accuratezza suggerisce la possibilità di distinguere la schizofrenia da altri disturbi psichiatrici con maggiore precisione, facilitando interventi terapeutici tempestivi.
• Scalabilità: Sebbene il dataset attuale sia limitato (28 soggetti), la metodologia è progettata per essere scalabile. Gli autori propongono di applicare questo approccio a sottogruppi specifici (es. adolescenti) e ad altri disturbi neurologici in futuri lavori.

In conclusione, lo studio dimostra che l'analisi avanzata dei segnali EEG, arricchita da feature non lineari e di complessità, unita a tecniche di machine learning appropriate, può raggiungere una classificazione perfetta tra soggetti sani e pazienti con schizofrenia, aprendo la strada a sistemi di diagnosi assistita da computer affidabili.