GCTNet: EEG信号に基づく重度抑うつ障害検出のためのグラフ畳み込みトランスフォーマーネットワーク

工学 電気工学 情報科学 人工知能 神経内科学 コンピューターサイエンス 精神医学 臨床心理学 医用画像学 医学
重度抑うつ障害 EEG 深層学習 フェーズ・ロッキング・バリュー 対比学習

GCTNet：EEG信号に基づいて重度抑うつ症を検出するグラフ畳み込みTransformerネットワーク

研究背景

重度抑うつ症（Major Depressive Disorder, MDD）は、一般的な精神障害であり、顕著かつ持続的な低気分を特徴とし、全世界で約3億5千万人に影響を与えています。MDDは自殺の主な原因の一つであり、毎年約80万人がこれにより命を落としています。現在のMDDの診断は主に患者の自己報告と臨床医の専門的判断に依存しています。しかし、診断過程の主観性は、異なる医師間での一致性の低さを引き起こし、正確でない診断をもたらす可能性があります。研究によれば、MDDと診断された一般医師の正確率はわずか47.3%に過ぎません。したがって、客観的かつ信頼できる生理指標を探索し、効果的な方法を用いて迅速にMDDを識別することは、早期診断と介入を促進するために非常に重要です。

論文出典

本論文はBeijing Advanced Innovation Center for Biomedical EngineeringのYuwen Wang、Yudan Peng、Mingxiu Han、Xinyi Liu、Haijun Niu、およびSchool of Computer Science and EngineeringのJian Cheng、そしてPeking University Sixth HospitalのSuhua Changによって共同執筆され、『Journal of Neural Engineering』に掲載されました。

研究フロー及び方法

本論文では、脳波（EEG）信号に基づいてMDDを検出するグラフ畳み込みTransformersネットワーク（GCTNet）を提案しています。本方法の研究フローチャートは、データ収集、前処理、モデル構築、性能評価などを含みます。

  1. データ収集と前処理：研究データは２つのデータセットに分けられます：自収集データと公開データセットです。自収集データセットには85名の被験者が含まれ、もう1つの公開データセットには64名の被験者が含まれます。全ての参加者のEEG記録は閉眼静坐（eyes-closed）状態で行いました。脳波信号はフィルタ処理、アーチファクト除去、ダウンサンプリングなどの前処理手順を経て、最終的に5秒のサンプルに分割されます。

  2. モデル構築：主に3つのモジュールで構成されます：残差グラフ畳み込みネットワーク（resGCN）モジュール、Transformerモジュール、およびReadoutブロックです。resGCNモジュールはEEGデータの空間情報特徴を抽出し、TransformerモジュールはEEG信号シーケンスの時間的特徴を抽出します。Readoutブロックは2つのモジュールの出力を融合し、分類処理を行います。図2はGCTNetの全体構造を示します。

    • resGCN モジュール：位相ロック値（PLV）を用いてEEGグラフの隣接行列を構築し、多層グラフ畳み込みを通じて各ノードの表現を抽出し、残差接続を組み合わせて感受性を強化します。
    • Transformer モジュール：コンボリューションモジュール、位置エンベディング、学習可能なcls_token、複数層のTransformerエンコーダーを含みます。TransformerはEEG信号のシーケンシャル依存性を捕捉するためのものです。
    • Readout ブロック：前二つのモジュールの出力特徴を融合し、分類空間とプロジェクション空間へ出力し、同時に対照的クロスエントロピー（Contrastive Cross-Entropy, CCE）損失を計算します。

  3. 対照的クロスエントロピー（CCE）損失関数：監督対照（SupCon）損失と従来のクロスエントロピー（CE）損失を結合させることで、特徴表現と分類性能を最適化し、MDD識別の効果を大幅に向上させます。

研究結果

研究は自収集データセット（データセットI）と公開データセット（データセットII）において詳細な評価を行い、10折交差検証と独立した被験者データパーティショニング方法を採用しました。結果、GCTNetは正確率、AUC、感度、特異性などの指標で他のアルゴリズムを上回りました。

  • データセットIでは、GCTNetのAUC値は0.7693、正確率は74.84%、感度は66.73%、特異性は80.75%でした。
  • データセットIIでは、GCTNetのAUC値は0.9755、正確率は95.63%、感度は98.43%、特異性は92.87%でした。また様々なディープラーニングモデルと比較した結果、GCTNetはMDD検出において優れたパフォーマンスを発揮し、分類性能を著しく向上させました。

結論及び意