基于EEG的机器学习帕金森病检测中性别公平性的评估:一项多中心研究
信号处理
2023-03-14 v1 机器学习
摘要
随着基于机器学习(ML)和静息态脑电图(rs-EEG)的帕金森病(PD)自动检测工具数量不断增长,通过公平性和偏差分析评估可能加剧的健康不平等变得愈发重要。受保护属性(如性别)在PD诊断开发中起着重要作用。然而,在ML模型开发或PD检测性能评估中,很少考虑源自不同性别的子群体分析。在本工作中,我们对先前开发的基于rs-EEG功率谱密度(PSD)特征的ML算法在多中心设置下对性别子群体的检测能力进行了系统分析。我们发现男性和女性在测试时的PD检测能力存在显著差异(准确率80.5% vs. 63.7%),并且PD与非PD男性在一组顶叶和额叶EEG通道及频率子带上表现出显著更高的活动,这可能解释了性别子群体PD检测能力的差异。
引用
@article{arxiv.2303.06376,
title = {Assessing gender fairness in EEG-based machine learning detection of Parkinson's disease: A multi-center study},
author = {Anna Kurbatskaya and Alberto Jaramillo-Jimenez and John Fredy Ochoa-Gomez and Kolbjørn Brønnick and Alvaro Fernandez-Quilez},
journal= {arXiv preprint arXiv:2303.06376},
year = {2023}
}