Une nouvelle méthode de détection de la dépression basée sur l’EEG temporel-fréquentiel : TFAGL

Contexte académique

Le trouble dépressif majeur (Major Depressive Disorder, MDD) est une maladie mentale courante à l’échelle mondiale, caractérisée par des symptômes tels que la tristesse, la culpabilité et une faible estime de soi, accompagnés d’une perte d’intérêt, d’un manque d’enthousiasme pour la vie, ainsi que de troubles du sommeil ou de l’appétit. Selon les statistiques de l’Organisation mondiale de la santé (OMS), plus de 246 millions de personnes sont touchées par la dépression, dont environ 30 à 35 % des patients souffrant de dépression sévère tentent de se suicider chaque année, entraînant environ 2 à 15 % de suicides. Ainsi, d’ici 2024, la dépression devrait devenir la principale cause des maladies invalidantes.

Actuellement, le diagnostic clinique de la dépression repose principalement sur des conversations entre médecin et patient et des questionnaires, avec des résultats de diagnostic influencés par les réponses des patients, leur comportement et l’expertise du médecin. Ce processus subjectif rend les enquêtes par questionnaire sensibles aux interférences dues à la conscience subjective des médecins et des patients, affectant l’objectivité du diagnostic. Les émotions dépressives affectent le système neurologique du cerveau, et la technologie EEG (Electroencéphalographie), qui peut collecter et enregistrer les changements des ondes cérébrales, est étroitement liée à l’activité cérébrale humaine et peut refléter objectivement l’état mental. De plus, l’acquisition de l’EEG présente des avantages tels que la non-invasivité, la rapidité et l’accessibilité économique. Par conséquent, les chercheurs du monde entier s’efforcent d’utiliser l’EEG pour la détection de la dépression et identifier de meilleurs biomarqueurs.

Cependant, les méthodes actuelles de détection de la dépression reposent principalement sur une simulation simple de la distribution des électrodes EEG, négligeant les relations collaboratives entre différentes régions du cerveau, ce qui limite les performances de détection. Pour y remédier, les chercheurs ont proposé un nouveau modèle de détection de la dépression basé sur l’EEG temporel-fréquentiel — Time-Frequency Agent Graph Learning (TFAGL) — visant à capturer le mécanisme de collaboration au niveau du cerveau entier dans la dépression.

Source de l’article

Cet article a été co-rédigé par Zihua Xu (membre étudiant de l’IEEE), C. L. Philip Chen (Fellow de l’IEEE) et Tong Zhang (membre senior de l’IEEE). Ils proviennent du Département d’informatique et d’ingénierie de l’Université de Technologie du Sud de la Chine, du Centre de recherche en ingénierie du Ministère de l’Éducation sur la perception intelligente et les humains numériques parallèles, ainsi que du laboratoire de Guangzhou Pazhou. L’article a été publié dans la revue IEEE Transactions on Affective Computing, avec une publication prévue pour 2025.

Processus de recherche

1. Objectifs de la recherche

Le modèle TFAGL vise à améliorer la précision et la robustesse de la détection de la dépression en capturant les mécanismes de collaboration entre les régions cérébrales. Plus précisément, ce modèle génère des nœuds agents (Agent Nodes) pour simuler les interactions globales entre les régions cérébrales, formant ainsi un graphe de connectivité locale-globale dynamique pour capturer les motifs de connectivité intra- et inter-régions.

2. Prétraitement des données

La recherche utilise trois ensembles de données EEG publics : MODMA, PRED+CT et TDBrain. Les signaux EEG de chaque ensemble de données sont divisés en segments non chevauchants de 2 secondes, traités comme des échantillons indépendants. Voici les informations spécifiques sur les ensembles de données : - MODMA : contient des données EEG de 29 sujets témoins sains et 24 patients atteints de dépression, avec une fréquence d’échantillonnage de 250 Hz. - PRED+CT : contient des données EEG de 76 sujets témoins sains et 46 patients atteints de dépression, avec une fréquence d’échantillonnage de 500 Hz. - TDBrain : contient des données EEG de 1167 individus, dont 132 diagnostiqués avec dépression, avec une fréquence d’échantillonnage de 500 Hz.

3. Extraction de caractéristiques

La recherche a conçu un extracteur de caractéristiques temporelles et un extracteur de caractéristiques fréquentielles, respectivement pour extraire les caractéristiques séquentielles temporelles et spectrales des signaux EEG. - Extracteur de caractéristiques temporelles : utilise une couche de convolution causale modifiée (Causal Convolutional Layer) pour capturer les tendances de changement potentiel des signaux EEG. - Extracteur de caractéristiques fréquentielles : transforme les signaux en domaine fréquentiel via la Transformée de Fourier Rapide (FFT) et extrait les caractéristiques d’entropie différentielle (Differential Entropy) pour cinq bandes de fréquences.

4. Module d’apprentissage de graphes d’agents (AGL)

Le module AGL génère des nœuds agents de manière adaptative pour simuler les interactions globales entre les régions cérébrales. Les étapes spécifiques sont les suivantes : - Génération de nœuds agents : selon la division des régions cérébrales, génère les positions et attributs des nœuds agents via un mécanisme d’auto-attention. - Connexion latente dynamique : construit un graphe de connexion latente dynamique pour capturer les motifs de connexion intra- et inter-régions. - Connexion spatiale basée sur la position : construit un graphe de connexion spatiale en fonction de la position spatiale des nœuds agents. - Convolution multi-échelle de graphes : effectue un apprentissage interactif à différents champs récepteurs via une convolution multi-échelle de graphes.

5. Module d’agrégation de caractéristiques double domaine (DFA)

Le module DFA élimine les caractéristiques redondantes via des contraintes inter-domaines et améliore la discriminabilité des caractéristiques. Les étapes spécifiques sont les suivantes : - Fusion de caractéristiques intra-domaine : utilise un réseau d’encodage d’information dynamique pour supprimer les caractéristiques non pertinentes et conserver les caractéristiques utiles. - Fusion de caractéristiques inter-domaine : fusionne les caractéristiques des domaines temporels et fréquentiels via un mécanisme d’attention.

Résultats principaux

1. Performance du modèle

Le modèle TFAGL a montré des performances exceptionnelles sur les trois ensembles de données : - MODMA : précision de 94,94 %, score F1 de 94,32 %. - PRED+CT : précision de 93,94 %, score F1 de 91,06 %. - TDBrain : précision de 75,20 %, score F1 de 74,43 %.

2. Tests de significativité

À travers des expériences comparatives avec des méthodes existantes et des tests t appariés, le modèle TFAGL a montré des performances significativement meilleures sur plusieurs ensembles de données (p < 0,05).

3. Visualisation des caractéristiques

Grâce à la visualisation t-SNE (t-distributed Stochastic Neighbor Embedding), le modèle TFAGL apprend progressivement des frontières de classification claires pendant l’entraînement, indiquant sa capacité efficace à capturer les signaux EEG.

Conclusion de l’étude

Le modèle TFAGL capture avec succès le mécanisme de collaboration au niveau du cerveau entier dans la dépression en générant des nœuds agents et en utilisant une convolution multi-échelle de graphes, améliorant considérablement la précision et la robustesse de la détection de la dépression. Les points novateurs du modèle incluent : 1. Génération de nœuds agents : génère des nœuds agents de manière adaptative pour simuler les interactions globales entre les régions cérébrales, renforçant la capacité de généralisation du modèle. 2. Convolution multi-échelle de graphes : permet un apprentissage interactif à différents champs récepteurs, améliorant la complétude de l’extraction de caractéristiques. 3. Agrégation de caractéristiques double domaine : fusionne les caractéristiques des domaines temporels et fréquentiels pour éliminer les caractéristiques redondantes et renforcer leur discriminabilité.

Valeur de la recherche

Le modèle TFAGL ne se distingue pas seulement dans la détection de la dépression, mais fournit également de nouvelles perspectives pour la détection d’autres anomalies des schémas EEG (comme l’épilepsie, la maladie de Parkinson, etc.). À l’avenir, les chercheurs exploreront davantage les modes de collaboration entre les électrodes EEG pour promouvoir l’adaptabilité du modèle à différents individus.

Points forts de la recherche

1. Mécanisme de collaboration au niveau du cerveau entier : Le modèle TFAGL capture pour la première fois le mécanisme de collaboration au niveau du cerveau entier dans la dépression grâce aux nœuds agents, comblant ainsi une lacune dans les recherches existantes.
2. Convolution multi-échelle de graphes : via la convolution multi-échelle de graphes, le modèle peut capturer simultanément les caractéristiques locales et globales, améliorant la complétude de l’extraction de caractéristiques.
3. Fusion de caractéristiques inter-domaines : grâce à la fusion des caractéristiques des domaines temporels et fréquentiels, le modèle élimine efficacement les caractéristiques redondantes, renforçant leur discriminabilité.

Autres informations précieuses

La recherche a également révélé que l’activité du cortex préfrontal droit chez les patients déprimés est significativement plus élevée que dans d’autres zones cérébrales, ce qui est étroitement lié à l’expérience émotionnelle négative et aux comportements de retrait associés à la dépression. Cette découverte apporte de nouvelles preuves sur les mécanismes biologiques de la dépression.