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

Deze studie presenteert een geautomatiseerd diagnosestelsel voor schizofrenie dat EEG-signalen analyseert met behulp van tijd-, frequentie- en tijd-frequentiedomeinkenmerken, waarbij drie classificatoren een opmerkelijke nauwkeurigheid van 100% bereikten.

De kern

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

Stel je voor dat de hersenen een groot orkest zijn. Bij een gezond persoon spelen alle muzikanten (de neuronen) netjes samen, met een duidelijk ritme en harmonie. Bij iemand met schizofrenie is dit orkest echter een beetje in de war. De muzikanten spelen soms uit hun tempo, er is veel ruis, en de melodie is verstoord.

Tot nu toe moesten artsen (psychiaters) naar dit orkest luisteren door met de patiënt te praten. Ze keken naar gedrag en symptomen. Maar dat is als proberen te raden of een orkest goed speelt door alleen naar de kleding van de dirigent te kijken. Het is lastig, kan fouten opleveren, en soms wordt het verward met andere "ziektes" in het orkest (zoals depressie of bipolaire stoornis).

De auteurs van dit artikel, Nazila en Kamaleddin, wilden een slimme, automatische assistent bouwen. Ze wilden een computerprogramma maken dat rechtstreeks naar de muziek van de hersenen kan luisteren om te zeggen: "Dit is gezond" of "Hier is iets mis."

🎧 De Opname: Het EEG-signaal

Ze gebruikten een EEG (electro-encefalogram). Dit is als het plaatsen van microfoons op het hoofd van de patiënt. Deze microfoons vangen de elektrische signalen van het brein op.

• Deelnemers: Ze namen de signalen op van 14 gezonde mensen en 14 mensen met schizofrenie.
• De Opname: De mensen zaten rustig met gesloten ogen, alsof ze even in een droomtoestand zaten.

🔍 De Analyse: Drie Manieren om te Luisteren

De computer keek niet alleen naar één ding. Het analyseerde de hersensignalen op drie verschillende manieren, alsof je een muziekstuk op drie manieren bekijkt:

1. Tijd-domein (De Rhythmiek): Hoe snel verandert het signaal? Is het een snelle drumbeat of een langzame cello? (Hier keken ze naar dingen zoals "Hoe vaak kruist de lijn de nul?" en "Hoe complex is het patroon?").
2. Frequentie-domein (De Toonhoogte): Welke "noten" zijn het sterkst? Heeft het brein veel lage tonen (delta) of hoge tonen (gamma)? Bij schizofrenie is de verhouding tussen deze tonen vaak anders.
3. Tijd-Frequentie-domein (De Partituur): Een combinatie van beide. Dit is als kijken naar hoe de toonhoogte verandert terwijl het ritme doorgaat. Ze gebruikten hier een techniek genaamd "Wavelet-transformatie", wat je kunt vergelijken met het inzoomen op specifieke momenten in de muziek om de details te zien.

🗑️ De Schoonmaakbeurt: Het Selecteren van de Beste Signalen

De computer kreeg eerst een enorme berg data (18 verschillende soorten meetwaarden). Dat is als een chef-kok die 100 ingrediënten heeft, maar alleen de 10 beste nodig heeft voor het perfecte gerecht.

• Ze gebruikten slimme wiskundige methoden (genaamd Mutual Information en Sequential Forward Feature Selection) om de "slechte" ingrediënten weg te gooien.
• Ze hielden alleen de 10 meest belangrijke kenmerken over die het beste konden vertellen of iemand ziek of gezond was. Denk hierbij aan specifieke ritmes, bepaalde toonhoogtes en de "onzekerheid" in het signaal.

🤖 De Jury: De Machine Learning Modellen

Vervolgens lieten ze deze geselecteerde signalen zien aan verschillende "rekenmachines" (classificatoren) om te zien wie de beste diagnose kon stellen:

• KNN: Kijkt naar de "buurman" (als je lijkt op een gezonde buur, ben je waarschijnlijk gezond).
• SVM: Teken een lijn die de gezonde en zieke mensen perfect van elkaar scheidt.
• Decision Tree: Een vragenlijst van ja/nee-vragen om tot een conclusie te komen.
• Naive Bayes: Een statistische gok op basis van waarschijnlijkheid.

🏆 Het Resultaat: Perfecte Score!

Het meest opvallende resultaat?
Na het slimme selecteren van de beste signalen, haalden drie van de rekenmachines (Linear SVM, Non-linear SVM en Decision Tree) een perfecte score van 100%.
Dat betekent dat ze in dit onderzoek geen enkele fout maakten. Ze konden elke gezonde persoon en elke persoon met schizofrenie correct identificeren.

Zelfs de andere methoden scoorden extreem hoog (tussen de 90% en 98%).

💡 Waarom is dit belangrijk?

1. Betrouwbare Hulp: Het is geen vervanging voor de arts, maar een superkrachtige assistent. Net als een röntgenfoto voor een gebroken been, maar dan voor het brein.
2. Snel en Goedkoop: Het is niet duur en duurt niet lang, in tegenstelling tot het urenlang praten met een patiënt.
3. Vroegtijdige Detectie: Het kan helpen om schizofrenie eerder te zien, misschien zelfs voordat de symptomen volledig uitbarsten.

Kortom: De auteurs hebben een slimme manier bedacht om de "muziek" van het brein te analyseren. Door de beste noten te selecteren en ze door een slimme computer te laten luisteren, kunnen ze schizofrenie met bijna perfecte zekerheid onderscheiden van een gezond brein. Dit is een grote stap naar een betere, objectievere diagnose voor patiënten.

Technische samenvatting

Titel: Classificatie van Gezonde Personen en Schizofreniepatiënten met behulp van Tijd-Frequentie Domein Kenmerken Geëxtraheerd uit EEG-Signalen

Auteurs: Nazila Ahmadi Daryakanari en Seyed Kamaleddin Setaredan (Universiteit van Teheran)

---

1. Probleemstelling

Schizofrenie (SZ) is een complexe, chronische psychische stoornis met neurobiologische tekortkomingen. De huidige diagnose is gebaseerd op subjectieve klinische observaties en interviews door psychiaters, wat leidt tot:

• Subjektiviteit en foutgevoeligheid: De diagnose is afhankelijk van de ervaring van de arts en kan leiden tot misdiagnoses (bijv. verward worden met bipolaire stoornis of depressie).
• Kosten en tijdsinvestering: Het proces is duur, tijdrovend en vermoeiend.
• Behoefte aan automatisering: Er is een dringende behoefte aan een objectieve, geautomatiseerde en kosteneffectieve hulpmethode om de diagnose te ondersteunen, vooral gezien de hoge prevalentie en de economische last van de ziekte.

Elektro-encefalografie (EEG) biedt een veelbelovende oplossing vanwege de hoge temporele resolutie, lage kosten en niet-invasieve aard, maar bestaande studies beperken zich vaak tot slechts één domein (tijd of frequentie).

2. Methodologie

De studie presenteert een geautomatiseerd diagnosestelsel dat EEG-signalen analyseert via een uitgebreide pipeline:

A. Dataset en Preprocessing

• Data: Geregistreerd in het Atieh Clinical Neuroscience Center.
  • 14 gezonde proefpersonen (gemiddelde leeftijd 25,3 ± 8,1 jaar).
  • 14 schizofreniepatiënten (gemiddelde leeftijd 28,42 ± 5,93 jaar).
  • Opname: Rusttoestand met gesloten ogen (5 minuten gebruikt), 19 elektrodes (10-20 systeem), 500 Hz samplingfrequentie.
• Preprocessing:
  • Filtering: FIR band-pass filter (0,5–45 Hz) om netstoringen en hoge frequenties te verwijderen.
  • Artefactverwijdering: Onafhankelijke Component Analyse (ICA) om niet-gerelateerde componenten (oogbewegingen, hartslag, beweging) te elimineren.

B. Kenmerkextractie (Feature Extraction)

Kenmerken werden geëxtraheerd uit drie domeinen, resulterend in 18 kenmerkmodellen:

1. Tijddomein:
   • Zero Crossing Rate (ZCR), Hjorth Mobility, Hjorth Complexity, Higuchi's Fractal Dimension, Lempel-Ziv Complexity (LZC).
2. Frequentiedomein:
   • Gemiddelde vermogen in banden (Delta, Theta, Alpha, Beta, Gamma), Delta-Alpha vermogensratio, Spectrale Entropie.
3. Tijd-Frequentie Domein (via Discrete Wavelet Transform - DWT):
   • Kurtosis, Hurst Exponent, Shannon Entropie, Log Energy Entropie, Rényi Entropie, Tsallis Entropie.
   • Opmerking: De Daubechies 6 (db6) mother wavelet werd gekozen als meest geschikt.

C. Kenmerkselectie (Feature Selection)

Om overfitting te voorkomen (gezien de kleine dataset) en de prestaties te maximaliseren, werd een hybride aanpak gebruikt:

1. Mutual Information (MI): Een scalair methode om irrelevante kenmerken te verwijderen op basis van afhankelijkheid van het doel.
2. Sequential Forward Feature Selection (SFFS): Een vectorgebaseerde methode die de optimale combinatie van kenmerken selecteert door de prestaties (nauwkeurigheid) van de classifier te maximaliseren. Er werden de top 10 kenmerken geselecteerd voor elke classifier.

D. Classificatie

Verschillende machine learning-algoritmen werden getest:

• K-Nearest Neighbors (KNN) en Weighted KNN (WKNN).
• Lineaire en Niet-lineaire Support Vector Machines (SVM) met RBF-kernel.
• Decision Tree (DT).
• Linear Discriminant Analysis (LDA).
• Naive Bayes (NB).

E. Validatie

Om de betrouwbaarheid te waarborgen bij een kleine dataset ($N=28$), werden twee methoden gebruikt:

• 10-voudige kruisvalidatie (10-fold CV).
• Leave-One-Out Cross-Validation (LOOCV): Elke steekproef wordt één keer getest terwijl de rest wordt getraind.

3. Belangrijkste Resultaten

De studie toont aan dat de integratie van meerdere domeinen en een slimme kenmerkselectie de prestaties aanzienlijk verbetert.

• Beste Prestaties: Drie classifiers bereikten 100% nauwkeurigheid na kenmerkselectie en validatie:
  • Lineaire SVM (100%)
  • Niet-lineaire SVM (100%)
  • Decision Tree (100%)
• Andere Prestaties:
  • Naive Bayes en LDA behaalden ook zeer hoge scores (tot 98-100% afhankelijk van de validatiemethode).
  • De KNN-classifier presteerde over het algemeen het slechtst, maar verbeterde na selectie van 95-96%.
• Effectiviteit van Domeinen:
  • Het Tijddomein leverde over het algemeen de beste individuele resultaten op (tot 96,42% met Lineaire SVM).
  • Het Frequentiedomein en Tijd-Frequentiedomein leverden ook sterke resultaten, maar de combinatie van alle domeinen met geselecteerde kenmerken gaf de beste algehele prestatie.
• Belangrijkste Kenmerken:
  • Kenmerken die consistent voorkwamen in de beste combinaties waren: Lempel-Ziv Complexity (tijddomein), Spectrale Entropie (frequentiedomein) en Logaritmische Energie Entropie (tijd-frequentiedomein).
  • Andere cruciale kenmerken waren de Delta-Alpha vermogensratio en Higuchi Fractal Dimension.

4. Bijdragen en Significatie

• Innovatieve Aanpak: Het paper introduceert een hybride methode die tijd-, frequentie- en tijd-frequentie-domeinen combineert, in plaats van zich te beperken tot één domein zoals veel eerdere studies.
• Hoge Nauwkeurigheid: Het bereiken van 100% nauwkeurigheid (in de context van deze dataset) suggereert dat EEG-signalen zeer sterke biomarkers bevatten voor schizofrenie die door geavanceerde machine learning-methoden kunnen worden geëxploiteerd.
• Klinische Toepasbaarheid: Het systeem fungeert als een objectieve, geautomatiseerde ondersteunende tool voor psychiaters, wat kan leiden tot snellere en accuratere diagnoses en minder misdiagnoses.
• Efficiëntie: Door de hybride feature selection (MI + SFFS) wordt de dimensie van de data effectief gereduceerd, wat essentieel is voor robuuste modellen bij kleine datasets.

Conclusie

De auteurs concluderen dat hun voorgestelde methode, gebaseerd op multi-domein kenmerkextractie en geavanceerde selectie, een krachtig hulpmiddel is voor het onderscheiden van schizofreniepatiënten van gezonde individuen. Toekomstig werk richt zich op het toepassen van deze methode op adolescenten, het onderscheiden van positieve en negatieve symptomen, en het uitbreiden naar andere psychiatrische aandoeningen.