基于随机矩阵理论的静息态 EEG 信号精神分裂症与对照受试者分类的数据驱动方法
信号处理
2018-01-18 v2 定量方法
摘要
临床高危个体 (CHR)、临床稳定的精神分裂症首发患者 (FES) 与健康对照 (HC) 的静息态脑电图 (EEG) 异常提示神经振荡活动改变。然而，少有研究直接比较各类别间这些异常。因此，本研究探讨这些电生理特征能否区分临床群体彼此之间及与非精神科对照。为解答此问题，对 40 名临床高危个体 (CHR)、40 名精神分裂症首发患者 (FES) 与 40 名健康对照 (HC) 评估静息 EEG 功率与相干性。这些发现提示静息 EEG 可作为区分临床疾病的敏感指标。本文提出一种新颖的数据驱动监督学习方法，以识别精神分裂症研究中患者的精神状态。依据 Marchenko-Pastur 律，EEG 数据特征值分布被划分为信号子空间与噪声子空间。采用名为 LES 的体现所有特征值特征的检验统计量。实验选取不同分类器与不同特征 (LES 检验函数)，我们表明以 von Neumann 熵作为 LES 检验函数并结合 SVM 分类器可在 HC、FES 与 CHR 精神分裂症组三者分类中获得最佳平均分类准确率。值得注意的是，LES 特征提取的最高分类准确率在二分类 (HC 对比 FES) 中约 90%，在三分类中约 70%。其中分类准确率高于 70% 可用于辅助临床诊断。
引用
@article{arxiv.1712.05289,
title = {A Data Driven Approach for Resting-state EEG signal Classification of Schizophrenia with Control Participants using Random Matrix Theory},
author = {Haichun Liu and TianHong Zhang and Yumeng Ye and Changchun Pan and Genke Yang and JiJun Wang and Robert C. Qiu},
journal= {arXiv preprint arXiv:1712.05289},
year = {2018}
}
备注
9 pages, 5 figures. arXiv admin note: text overlap with arXiv:1503.08445 by other authors