改良された集合経験的モード分解に基づく脳機能ネットワークを用いた不安分析と検出

学術的背景と研究目的

現代生活のストレスの増加に伴い、不安症（Anxiety）は一般的な神経系の疾患として、グローバルな公衆衛生分野で急ぎ解決されるべき問題になっています。不安症は精神障害だけでなく、注意力、記憶、学習などの認知過程の異常な表現にも現れます。COVID-19のパンデミックの発生により、不安症の発病率も増加しました。統計によると、不安症の12か月以内の発病率は男性が4.80%、女性が5.20%となっています。しかし、不安症の原因はいまだ明確ではなく、自己治癒の確率も低いです。これらの複雑性と不確実性のため、早期検出と介入が非常に重要であるとされています。しかし、従来の不安検出方法は対面インタビューや自己評価に依存しているため、時間と労力を要するだけでなく、医師の専門的な経験や患者の自己評価の主観的な要素にも影響されます。このため、客観的で正確な不安分析と検出方法を探る必要があります。

多くの生理的信号の中で、脳波（EEG）はその高い時間分解能と低コストのため、研究者の間でますます注目されています。従来の孤立したEEG電極に基づく不安研究では、脳のトポロジー構造の異常変化を明らかにすることが難しいです。だからこそ、本研究では改良された集合経験的モード分解（EEMD）と脳機能ネットワーク（BFN）に基づく不安検出の新しい枠組みを提案します。

論文の出典及び著者情報

この論文は、Bingtao Zhang、Chonghui Wang、Guanghui Yan、Yun Su、Lei Tao、そしてHanshu Caiによって共同執筆され、蘭州交通大学、陝西科技大学および西北師範大学などの機関から発表されました。この論文は、2024年2月5日に《Biomedical Signal Processing and Control》ジャーナルに掲載されました。

研究プロセス及び詳細な実験設計

研究プロセス

1. 実験データの取得と前処理。
2. 改良されたEEMD方法を用いたEEG信号の分解。
3. 改良EEMDに基づくEEG信号でBFNを構築。
4. グループ間の差異BFNを計算。
5. 不安関連の脳領域と潜在的なバイオマーカーを探求。
6. 不安患者と正常対照（NC）の検出。

改良されたEEMD方法

EEMDは補助的なランダムホワイトノイズを追加することで、EMDの多周波成分の分解におけるモード混線の問題を解決します。しかし、ランダムホワイトノイズの振幅選択はEEMDの性能に直接影響します。本研究では追加の適応ホワイトノイズに基づく改良EEMD方法を提案し、信号対雑音比（SNR）理論に基づき、各サンプリングポイントのホワイトノイズ振幅を適応的に決定し、独立したニューロン信号をより正確にシミュレートします。

EEG信号の分解

EEG信号は改良EEMD方法によって分解され、7つの内在モード関数（IMF）が得られます。各EEG時間窓で生成されるIMF数の分布を総合的に分析し、情報の損失を避けるために最低IMF数を閾値として選択します。次に、各IMF間の位相遅延指数（PLI）を計算して、バイナリ化BFNを構築します。

BFNの構築とバイナリ化

ネットワークはノード（EEG電極）とエッジ（ノード間の相関値）で構成されます。PLIに基づいてノード間の接続重みを計算し、対応するBFN行列を構築します。計算量の削減とBFNの効率性を保証するため、割合閾値法を用いてBFNをバイナリ化します。ネットワークの密度とノード数に基づき、割合閾値は8.89%と計算されました。

不安関連の脳領域の探索

研究では、不安患者の脳機能変化は主に左側前頭葉（LF）、左側側頭葉（LT）、左側中央脳領域（LC）に集中していることが示されています。これらの脳領域の典型的なグラフ指標の差異を分析し、これらの指標が潜在的な不安検出のバイオマーカーとして使用できるかどうかを確認します。

不安検出の性能評価

サポートベクターマシン（SVM）を分類器として選び、10折交差検証法を用いて潜在的なバイオマーカーの検出性能を評価します。実験結果は、IMF1とIMF4のBFNグラフ指標を総合的に考慮した場合、不安検出の最高正確度は92.07%と示されました。

研究結果

改良EEMD方法の有効性評価

定数振幅と適応振幅ホワイトノイズが原始信号に与える影響を比較した結果、適応ホワイトノイズを追加することで、より効果的に信号の極値に全面的な影響を与え、モード混線問題を解決できることが判明しました。

不安関連の脳領域の分析結果

IMF1とIMF4のBFN差異行列を比較分析した結果、不安患者は主にLF、LT、LC脳領域に機能同期性の変化が見られます。これは過去の文献の研究結果と一致し、不安が主に左半球の活動に関連するという観点をさらに証明しました。

不安検出の潜在的バイオマーカー

IMF1とIMF4のBFNに対する一元分散分析（ANOVA）を行った結果、LF-CC、LT-eloc、LC-CCおよび全脳σなどの指標が不安グループと正常対照グループ間で有意な差異を示しました。これらの指標は不安検出の潜在的なバイオマーカーとして使用できることが示されました。

不安検出の性能評価

IMF1とIMF4のBFNグラフ指標を総合的に利用し、SVM分類器に基づく10折交差検証結果は、不安検出の平均正確度が87.31%、最高正確度が92.07%に達することを示しました。

結論

本研究では改良されたEEMD方法を用いて、初めて分解されたEEG信号に基づいてBFNを構築し、不安患者の脳機能トポロジーの変化を深く調べました。研究結果は、不安患者のBFNは一定のランダム化傾向を示し、有意なグラフ指標は効果的な不安検出のバイオマーカーとして使用できることを示しています。これらの発見は、不安の早期検出に新たなアプローチを提供するだけでなく、神経精神疾患のメカニズム研究に重要な理論的根拠を提供します。

学術的価値と応用の展望

本研究は以下の点で顕著な学術的価値を持っています：

1. 改良されたEEMD方法はEMD分解のモード混線問題を効果的に解決し、EEG信号分解の正確性を向上させました。
2. 改良EEMD方法に基づくEEG信号により構築されたBFNは、不安検出に新しいアプローチを提供しました。
3. 研究は、不安患者のBFNにおける異常なトポロジー構造を明らかにし、不安の病理メカニズム理解に新しい視点を提供しました。
4. 提案された不安検出の潜在的バイオマーカーは実際の応用において重要な価値を持ち、不安症の早期検出と介入に貢献します。

本研究は、改良されたEEMD方法を用いて、不安症に関連する脳機能ネットワークのトポロジー変化を初めて探究し、不安症の早期診断と治療に重要な理論的基礎と実践的根拠を提供しました。