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

Deze studie toont aan dat het combineren van spectrale, entropie- en grafische connectiviteitskenmerken uit EEG-signalen, verwerkt door een Random Forest-classificator, een veelbelovende en nauwkeurige methode biedt voor het onderscheiden van patiënten met schizofrenie van gezonde controles, hoewel verdere validatie op grotere steekproeven noodzakelijk is.

De kern

🧠 De Hersenen als een Orkest: Een Nieuwe Manier om Schizofrenie te Herkennen

Stel je je hersenen voor als een groot, complex orkest. In een gezonde situatie spelen alle muzikanten (de verschillende delen van je hersenen) samen in harmonie. Ze houden het ritme, luisteren naar elkaar en creëren een mooi, voorspelbaar muziekstuk.

Bij mensen met schizofrenie is dit orkest echter een beetje uit elkaar gevallen. Sommige muzikanten spelen te luid, anderen te zacht, en ze luisteren niet meer goed naar elkaar. Het resultaat is een chaotisch geluid dat moeilijk te doorgronden is.

Tot nu toe moesten artsen dit "chaos" horen door alleen met de patiënt te praten. Dat is als proberen een orkest te beoordelen door alleen naar de dirigent te kijken, zonder naar de muziek te luisteren. Het is lastig en kan leiden tot fouten.

De auteurs van dit onderzoek (Nazila Ahmadi Daryakenari en Seyed Kamaledin Setarehdan van de Universiteit van Teheran) wilden een beter instrument vinden: EEG. Dit is een helm met elektrodes die de elektrische activiteit van de hersenen meet, alsof je een microfoon op elke muzikant in het orkest zet.

🔍 Wat hebben ze gedaan? (De Drie Detectives)

De onderzoekers keken niet naar één ding, maar gebruikten drie verschillende "detectives" om de hersengolven te analyseren:

1. De Frequencies (De Toonhoogte):
   Ze keken naar de snelheid van de hersengolven.

   • De analogie: Stel je voor dat de hersenen een radio zijn. Bij gezonde mensen is de radio goed afgestemd op de juiste zenders (zoals rustige alpha-golven). Bij schizofrenie zagen ze dat de radio te veel "ruis" had op de lage frequenties (delta en theta, alsof er een zware bas is) en te weinig op de hoge frequenties (alpha en gamma, alsof de hoge tonen ontbreken).

2. De Complexiteit (De Muziekstijl):
   Ze gebruikten een nieuwe techniek genaamd Multiscale Permutation Entropy (MPE).

   • De analogie: Kijk naar een danspartij. Een gezonde hersenactiviteit is als een dans met een duidelijk patroon: je weet wanneer de volgende stap komt. Bij schizofrenie is de dans chaotischer en onvoorspelbaarder. De onderzoekers ontdekten dat de hersenen van patiënten met schizofrenie "onrustiger" dansen dan die van gezonde mensen. Dit is de eerste keer dat deze specifieke methode op EEG-data is toegepast voor schizofrenie.

3. De Connectiviteit (Het Samenwerken):
   Ze keken naar hoe goed de verschillende delen van de hersenen met elkaar praten.

   • De analogie: In een gezond orkest communiceren de violisten en de trompetters goed; ze vormen een hecht netwerk. Bij schizofrenie zagen ze dat de "telefoondraden" tussen de verschillende delen van de hersenen minder goed werkten. Het netwerk werd minder efficiënt; het kostte meer moeite voor een signaal om van punt A naar punt B te komen.

🤖 De Rekenmachine (Machine Learning)

Na al deze metingen gaven ze de data aan een computerprogramma (Machine Learning). Ze gebruikten drie soorten "leerlingen":

• Een Random Forest (een groepje beslissingsbomen die samenwerken).
• Een SVM (een strenge scheidsrechter die een lijn trekt tussen gezond en ziek).
• Een Neuraal Netwerk (een computer die probeert net als een mens te leren).

Het resultaat?
De Random Forest-computer was de beste leerling. Hij kon met een nauwkeurigheid van 99,7% onderscheid maken tussen gezonde mensen en mensen met schizofrenie. Dat is alsof je een test doet waarbij je bijna nooit een fout maakt.

🏆 Wat betekent dit voor de toekomst?

Dit onderzoek is een grote stap voorwaarts, maar er is nog een "maar":

• De Grootte van de Testgroep: Ze keken naar slechts 28 mensen (14 gezonde en 14 met schizofrenie). Dit is als een proef met slechts 28 muzikanten. Het resultaat is veelbelovend, maar we moeten het testen op een heel orkest (duizenden mensen) om zeker te zijn.
• Geen Vervanging: Dit is geen vervanging voor de diagnose van een arts. Het is meer als een tweede mening of een hulpmiddel. Net zoals een thermometer de arts helpt om koorts te zien, kan dit EEG-systeem de arts helpen om sneller en zekerder te zien of er iets mis is met de hersenactiviteit.

Kortom:
De onderzoekers hebben een nieuwe, slimme manier bedacht om naar de hersenen te kijken. Ze hebben ontdekt dat bij schizofrenie het "orkest" chaotischer is, de "telefoondraden" slechter werken en de muziek onvoorspelbaarder klinkt. Met een slim computerprogramma kunnen ze dit nu bijna perfect detecteren. Als ze dit testen op meer mensen, kan dit in de toekomst helpen om schizofrenie sneller en beter te behandelen.

Technische samenvatting

Probleemstelling

Schizofrenie is een ernstige psychiatrische aandoening die de cognitie, perceptie en het dagelijks functioneren van patiënten ernstig beïnvloedt. De huidige diagnose is voornamelijk gebaseerd op klinische interviews en standaardlijsten (zoals DSM-5 of ICD-10), wat leidt tot subjectiviteit, late diagnoses en verwarring met andere aandoeningen zoals bipolaire stoornis of depressie. Er is een dringende behoefte aan objectieve, biologische markers voor een snellere en nauwkeurigere diagnose. Hoewel elektro-encefalografie (EEG) een veilige, niet-invasieve en kosteneffectieve methode is om hersenactiviteit te meten, heeft geen enkele enkele EEG-feature tot nu toe voldoende betrouwbaarheid bewezen om als standalone biomarker te fungeren. De uitdaging ligt in het integreren van verschillende aspecten van hersendynamiek om een robuust detectiesysteem te ontwikkelen.

Methodologie

De auteurs hebben een multi-domein analyseframework ontwikkeld om patiënten met schizofrenie (SZ) te onderscheiden van gezonde controles (HC). De studie omvatte 28 deelnemers (14 SZ, 14 HC) met rust-EEG-opnames (ogen gesloten, 5-7 minuten) op 19 kanalen (10-20 systeem, 500 Hz).

Het proces verliep als volgt:

1. Preprocessing: Signalen werden gefilterd (1–45 Hz, Butterworth bandpass), opnieuw gerefereerd naar het gemiddelde, en opgedeeld in 2-seconden vensters met 50% overlap. Artefacten (oogbewegingen, hartslag, spieractiviteit) werden verwijderd via ICA en automatische drempelwaarden.
2. Feature Extractie (Drie domeinen):
   • Spectrale Kracht: Berekening van de gemiddelde bandkracht in de delta ($\delta$), theta ($\theta$), alpha ($\alpha$), beta ($\beta$) en gamma ($\gamma$) frequentiebanden via Welch's methode.
   • Multiscale Permutation Entropy (MPE): Een nieuwe toepassing voor EEG bij schizofrenie. MPE meet de tijdsirregulariteit en complexiteit van het signaal over zes verschillende tijdschalen (coarse-graining). Dit vult de beperkingen van enkel-schaal entropie aan.
   • Functionele Connectiviteit & Grafmetriek: Connectiviteit werd geschat met de Weighted Phase Lag Index (wPLI) om volumgeleidingseffecten te minimaliseren. Uit de resulterende connectiviteitsmatrices werden graftheoretische maten berekend:
     • Globale efficiëntie (informatie-uitwisseling).
     • Clusteringcoëfficiënt (lokale specialisatie).
     • Karakteristieke padlengte (communicatie-efficiëntie).
     • Gemiddelde sterkte (totale connectiviteit).
3. Classificatie: De geëxtraheerde features werden getraind op drie machine learning-modellen:
   • Random Forest (RF)
   • Support Vector Machine (SVM)
   • Multi-Layer Perceptron (MLP)
4. Validatie: Twee validatiestrategieën werden gebruikt om generalisatie te testen:
   • Gestratificeerde 5-voudige kruisvalidatie (5-fold CV).
   • Leave-One-Subject-Out (LOSO) validatie (stricter, klinisch realistischer).

Belangrijkste Bijdragen

1. Integratie van Multi-domein Features: Voor het eerst worden spectrale kracht, complexiteit (via MPE) en functionele connectiviteit (grafmetriek) gecombineerd in één unified framework voor schizofreniedetectie.
2. Nieuwe Toepassing van MPE: Dit is, voor zover bekend, de eerste studie die Multiscale Permutation Entropy toepast op EEG-data specifiek voor schizofrenie (eerdere studies gebruikten dit voor MEG). MPE biedt inzicht in de complexiteit op verschillende tijdschalen.
3. Interpretabele Biomarkers: Door gebruik te maken van de feature-importance van het Random Forest-model, konden de auteurs identificeren welke neurale signatuur het meest discriminerend is, in plaats van alleen een "black box" classificatie te bieden.
4. Robuuste Validatie: Het gebruik van LOSO-validatie biedt een realistischere inschatting van de prestaties op onbekende patiënten dan standaard kruisvalidatie.

Resultaten

• Classificatieprestaties: Het Random Forest-model presteerde het beste en het meest consistent.
  • Stratified 5-fold CV: 99,7% nauwkeurigheid, AUC 1,000.
  • LOSO Validatie: 99,6% nauwkeurigheid, AUC 1,000.
  • MLP en SVM presteerden ook goed (rond 98-99%), maar toonden iets meer variatie in de LOSO-validatie.
• Feature Analyse:
  • Connectiviteit: Connectiviteit in de theta ($\theta$) en alpha ($\alpha$) banden bleek de belangrijkste bijdrage leveren aan de classificatie.
  • Entropie: Patiënten vertoonden over het algemeen hogere MPE-waarden (meer irregulariteit/complexiteit) dan controles, vooral in frontale gebieden.
  • Spectrale Kracht: Er was een toename van lage frequenties (delta/theta) en een afname van hoge frequenties (alpha/gamma) bij patiënten.
• Netwerkveranderingen: Patiënten vertoonden een verlies aan netwerk-efficiëntie: lagere globale efficiëntie, lagere clusteringcoëfficiënt, langere padlengtes en zwakkere connectiviteitssterkte. Dit wijst op een verschuiving van een "small-world" structuur naar een meer willekeurige structuur.
• Topografie: De verschillen waren het meest uitgesproken in frontale en temporale regio's, wat overeenkomt met het concept van hypofrontaliteit bij schizofrenie.

Betekenis en Conclusie

De studie toont aan dat een geïntegreerde aanpak van EEG-features (spectraal, entropie en connectiviteit) zeer veelbelovend is voor de automatische detectie van schizofrenie. De combinatie van deze domeinen levert een robuuster beeld op dan het gebruik van één type feature.

Hoewel de resultaten (tot wel 99,7% nauwkeurigheid) bemoedigend zijn, benadrukken de auteurs dat de studie beperkt is door de kleine steekproefgrootte (N=28) en het feit dat de data van één locatie in Iran komt. De resultaten moeten daarom als voorlopig worden beschouwd. Toekomstig werk richt zich op validatie in grotere, diverse cohorts, het vergelijken met andere stoornissen (zoals bipolaire stoornis), en het gebruik van taak-gebaseerde EEG om de klinische bruikbaarheid en generaliseerbaarheid van deze biomarkers verder te onderbouwen.