Technische Samenvatting: SA-HGNN voor EEG-gebaseerde depressieherkenning

Probleemstelling

Major Depressive Disorder (MDD) is een leidende wereldwijde gezondheidscrisis, wat de noodzaak voor objectieve, geautomatiseerde diagnostische methoden vergroot. Elektro-encefalografie (EEG) wordt breed gebruikt voor dit doel vanwege het niet-invasieve karakter en de hoge temporele resolutie. Hoewel Graph Neural Networks (GNNs) zijn uitgegroeid tot een mainstream benadering voor het modelleren van de functionele connectiviteit van de hersenen, kampen bestaande methoden met twee kritieke beperkingen:

1. Inadequate Structurele Modellering: De functionele connectiviteit van de menselijke hersenen bezit een inherente hiërarchische structuur (bijv. "rich-club" topologie). Standaard GNN's opereren in de Euclidische ruimte, wat moeite heeft met het representeren van exponentieel groeiende hiërarchische boomstructuren zonder vervorming, wat leidt tot onnauwkeurige modellering van de latente hiërarchie in depressie-geaffecteerde netwerken.
2. Rigide Topologie en Ruis: Bestaande benaderingen vertrouwen vaak op statische graafstructuren of falen in het effectief filteren van redundante ruiskanalen, wat de authentieke topologische patronen van het hersennetwerk kan vertroebelen.

Methodologie: Sample-Adaptive Hyperbolic Graph Neural Network (SA-HGNN)

Om deze uitdagingen aan te pakken, stellen de auteurs SA-HGNN voor, een framework ontworpen om de authentieke hiërarchische structuur van depressie-geaffecteerde hersennetwerken te extraheren. De architectuur bestaat uit drie kernmodules:

1. Sample-Adaptive Graph Construction (SAGC)

Deze module construeert dynamisch gepersonaliseerde hersennetwerktopologieën voor elk sample, waarmee zij verder gaat dan statische graafdefinities. Het fuseert twee takken:

• Physical Prior Branch: Construeert een baseline ruimtelijke topologie ($A_{prior}$) gebaseerd op standaard 10–20 elektrodecoördinaten en Euclidische afstanden.
• Sample-Specific Correlation Branch: Afgeleide van een datagestuurde gelijkenismatrix ($A_{sim}$) uit geëxtraheerde temporele kenmerken via L2-normalisatie en lineaire projectie.
• Fusie: De uiteindelijke adjacency matrix wordt gevormd door de sample-specifieke correlaties (gefilterd door een leerbare maskering) te fuseren met de fysieke prior met behulp van een leerbare scalar ($\lambda$). Dit biedt structurele priors terwijl het zich aanpast aan individuele variaties.

2. Hyperbolic Graph Convolution (HGC)

Om de representatie-bottlenecks van de Euclidische ruimte te overwinnen, maakt het model gebruik van hyperbolische geometrie (specifiek het Poincaré-balmodel) om latente hiërarchische relaties te vangen.

• Mapping: Kenmerken worden tussen de Euclidische en hyperbolische ruimtes gemapt met behulp van exponentiële ($\text{exp}_0^c$) en logaritmische ($\text{log}_0^c$) mappen.
• Conversie: Het proces omvat het projecteren van Euclidische kenmerken naar de raakruimte (tangent space), het transformeren van deze naar de hyperbolische ruimte, het toepassen van lineaire transformaties, en het aggregeren van naburige structurele informatie binnen de raakruimte voordat men terug naar de Euclidische ruimte wordt gemapt. Dit stelt het netwerk in staat om de exponentiële groei van hiërarchische structuren die inherent zijn aan hersennetwerken te accommoderen.

3. Attention Pooling (AP)

Deze module filtert adaptief hoogst redundante ruiskanalen om de authentieke hiërarchische topologie te bewaren.

• Scoring: Een leerbare globale node interageert met alle EEG-kanaalnodes via multi-head self-attention om belangsscores voor elke node te berekenen.
• Coarsening: De top $K$ nodes worden geselecteerd om een gepoolde feature set en een vergroefde (coarsened) adjacency matrix te genereren voor opeenvolgende lagen.
• Loss Constraint: Een AP Uniformity Loss ($L_{uni}$) is geïntroduceerd om overmatige smoothing (over-smoothing) te voorkomen en representatieve diversiteit te waarborgen door de kenmerken van weggegooide nodes te beperken.

Loss Function

De totale loss functie combineert drie termen:

1. Classification Loss ($L_{cls}$): Standaard cross-entropy loss voor depressieherkenning.
2. Sparse Loss ($L_{sparse}$): Stimuleert eenvoudigere graaftopologieën in de SAGC-module.
3. Uniformity Loss ($L_{uni}$): Zorgt voor diversiteit in de attention pooling mechanisme.

Belangrijkste Bijdragen

Het artikel claimt de volgende primaire bijdragen:

• Nieuwe Architectuur: Het is het eerste werk dat Hyperbolic Graph Neural Networks adopteert om de hiërarchische functionele connectiviteit van MDD-hersennetwerken te modelleren.
• Sample-Adaptive Graph Construction: De introductie van de SAGC-module om dynamisch geïndividualiseerde hersennetwerktopologieën te construeren, waarmee de rigiditeit van statische grafen wordt overwonnen.
• Geïntegreerd Framework: De ontwikkeling van een architectuur die Hyperbolic Graph Convolution en Attention Pooling combineert om hiërarchische structuren in de hyperbolische ruimte te vangen terwijl ruisgevoelige kanalen worden gefilterd.
• Empirische Validatie: Demonstratie van superieure prestaties over zowel rust-toestand als taak-gerelateerde EEG-paradigma's op publieke datasets.

Experimentele Resultaten

Het model werd geëvalueerd op de publieke HUSM-dataset, die EEG-opnames bevat van 34 MDD-patiënten en 30 gezonde controles (HCs) onder twee paradigma's: Rust-toestand (HUSM-Rest) en Taak-gerelateerd (HUSM-Task).

• Prestaties: SA-HGNN behaalde state-of-the-art resultaten en presteerde beter dan zeven baseline graaf-gebaseerde modellen (waaronder DCGNN, GraphSleepNet en SDGCN).
  • HUSM-Rest: Behaalde 95,24% Accuratesse en een 95,77% F1-score, waarmee het de op één na beste methode (GraphSleepNet) respectievelijk met 1,82% en 2,29% versloeg.
  • HUSM-Task: Behaalde 94,26% Accuratesse en een 94,69% F1-score, waarmee het de op één na beste methode (GCBNet) met 0,39% en 0,42% versloeg.
• Ablatieonderzoek: Experimenten bevestigden dat het volledige model (combinatie van SAGC, HGC en AP) significant beter presteert dan varianten die slechts één of twee modules gebruiken, wat de synergetische effectiviteit van de voorgestelde componenten valideert.
• Robuustheid: Sensitiviteitsanalyse toonde aan dat het model stabiele prestaties behoudt over een reeks hyperparameterwaarden voor sparsificatie en uniformiteitsverlies.

Betekenis en Claims

De auteurs claimen dat SA-HGNN effectief de structurele vervorming aanpakt die wordt veroorzaakt door het modelleren van hiërarchische hersennetwerken in de Euclidische ruimte. Door gebruik te maken van hyperbolische geometrie, legt het model de "rich-club" topologie en latente hiërarchische patronen die verstoord zijn bij MDD nauwkeuriger vast.

Verder onthulde de visualisatie van de geleerde adjacency matrices neurobiologische biomarkers die consistent zijn met klinische bevindingen:

• Rust-toestand: Hyperconnectiviteit in midline centrale regio's (geassocieerd met overactivatie van het Default Mode Network).
• Taak-toestand: Opvallende alteraties in linker frontaal-pariëtale regio's (gelinkt aan emotionele-cognitieve tekorten).

Het artikel concludeert dat SA-HGNN een robuust, door ruis verminderd framework biedt voor het vastleggen van abnormale functionele connectiviteitspatronen, wat een significante verbetering vormt ten opzichte van traditionele Euclidische-gebaseerde GNN's voor automatische MDD-diagnose.