DOI: https://doi.org/10.1038/s41746-023-00983-9
PMID: https://pubmed.ncbi.nlm.nih.gov/38182737
تاريخ النشر: 2024-01-05
المؤلف: Shuzhi Zhao وآخرون
الموضوع الرئيسي: تخطيط الدماغ وواجهات الدماغ-الكمبيوتر
نظرة عامة
تتناول هذه الدراسة التباين السريري لمرض باركنسون (PD) والتحديات في تحديد العلامات الحيوية الموثوقة لتخطيط الدماغ الكهربائي (EEG). بينما تم تطبيق التعلم الآلي على تخطيط الدماغ الكهربائي في حالة الراحة لتشخيص مرض باركنسون، فإن فعاليته محدودة من خلال قابلية تفسير الميزات والتباين الفطري لبيانات حالة الراحة. تقدم هذه الدراسة نموذج تعلم عميق جديد، معالجة إشارات الرسم البياني – الشبكات التلافيفية للرسم البياني (GSP-GCNs)، والذي يستخدم بيانات EEG المتعلقة بالحدث من مهمة تنظيم نغمة الصوت.
أظهر نموذج GSP-GCNs دقة تصنيف متوسطة مثيرة للإعجاب بلغت 90.2%، مما يمثل تحسينًا بنسبة 9.5% مقارنة بالأساليب الحالية للتعلم العميق. كشفت تحليل قابلية التفسير عن توزيعات شبكة EEG الهامة وخريطة طبوغرافية للحالة الدقيقة MS5، بشكل رئيسي في المناطق المرتبطة باضطرابات الكلام في مرض باركنسون، مثل القشرة الحركية البطنية اليسرى، والتجاعيد الزمنية العلوية، ومنطقة بروكا. تسلط هذه النتائج الضوء على إمكانيات نماذج التعلم العميق القابلة للتفسير المدمجة مع إشارات EEG المتعلقة بالصوت للتفريق بفعالية بين مرضى باركنسون والأشخاص الأصحاء، مع تقديم رؤى حول الآليات العصبية البيولوجية الكامنة وراء المرض.
مقدمة
يعتبر مرض باركنسون (PD) اضطرابًا تنكسيًا عصبيًا يؤثر على 7-10 مليون فرد على مستوى العالم، ويتميز بمجموعة من الأعراض الحركية وغير الحركية. على الرغم من التأثير الكبير على جودة الحياة، لا تزال الآليات الكامنة وراء مرض باركنسون غير واضحة إلى حد كبير، حيث يرتبط 20% فقط من الحالات بعوامل وراثية. تعقد هذه الحالة التشخيص المبكر، وهو أمر حاسم للإدارة الفعالة. ركزت الأبحاث الحديثة على تحديد العلامات الحيوية الموثوقة، خاصة من خلال تحليل الكتابة اليدوية، ووظيفة الحركة، والمشي، وخصائص الكلام. ومن الجدير بالذكر أن تخطيط الدماغ الكهربائي في حالة الراحة (EEG) قد حظي باهتمام كأداة تشخيصية غير جراحية، حيث أظهرت قياسات EEG الكمية (QEEG) وعدًا في تمييز مرضى باركنسون عن الأفراد الأصحاء.
لقد دمجت التطورات الحديثة تقنيات التعلم العميق مع بيانات EEG، مما أظهر دقة تصنيف عالية في تشخيص مرض باركنسون. على سبيل المثال، حقق أوه وآخرون دقة بلغت 88.25% باستخدام شبكة عصبية تلافيفية (CNN)، بينما أفاد تشاتورفيدي وآخرون بمساحة تحت المنحنى (AUC) تبلغ 0.76 مع دمج LASSO. ومع ذلك، غالبًا ما تفترض هذه الطرق إشارات EEG ثابتة، والتي قد لا تعكس الطبيعة الديناميكية لمرض باركنسون. بالمقابل، تقدم إشارات EEG المتعلقة بالمهام، وخاصة تلك المتعلقة باضطرابات الكلام الحركية، رؤى حول التغيرات في النشاط العصبي المرتبطة بمرض باركنسون. تقترح الدراسة الحالية إطارًا جديدًا، معالجة إشارات الرسم البياني – الشبكات التلافيفية للرسم البياني (GSP-GCNs)، لتعزيز قابلية التفسير وفعالية نماذج التعلم العميق في تمييز مرضى باركنسون عن الأفراد الأصحاء باستخدام بيانات EEG المتعلقة بالمهام. يهدف هذا الإطار إلى تحليل أنماط الاتصال الديناميكية وتحسين استخراج الميزات مع توفير تصور عالمي للميزات المتعلمة المرتبطة بالحالات الدقيقة لإشارات EEG المتعلقة بالصوت.
الطرق
في هذه الدراسة، تم جمع مجموعة بيانات EEG المتعلقة بالمهام من اثنين وخمسين مريضًا تم تشخيصهم بمرض باركنسون مجهول السبب (PD) وثمانية وأربعين من الأصحاء (HC)، متطابقين من حيث الجنس والعمر. كان المشاركون من مستخدمي اليد اليمنى، ويتحدثون الماندرين كلغة أم، مع استيفاء مرضى باركنسون لمعايير إدراج محددة، بما في ذلك ضعف إدراكي خفيف (MMSE > 26) وعدم وجود حالات عصبية أخرى. تم تسجيل بيانات EEG أثناء أداء المشاركين لمهمة إنتاج صوتي تتضمن أصوات حروف العلة المستمرة، حيث تم تغيير نغمة صوتهم. تم معالجة إشارات EEG باستخدام شبكة حساسات جيو ديسية مكونة من 64 إلكترود، وتم تصفيتها، وتقسيمها، وتصحيحها من الشوائب لاشتقاق إمكانات الحدث القشرية (ERPs).
استخدم التصميم التجريبي نموذج شبكة تلافيفية للرسم البياني (GSP-GCN) قائم على معالجة إشارات الرسم البياني، تم تنفيذه باستخدام مجموعة أدوات PyTorch مع استراتيجية التحقق المتقاطع 5-fold. يتكون النموذج من ثلاث طبقات GCN واستخدم مُحسِّن آدم بمعدل تعلم قدره $10^{-5}$ ومعدل تسرب قدره 0.35 للتخفيف من الإفراط في التكيف. تم تقييم أداء النموذج من خلال خسارة الانتروبيا المتقاطعة، مقارنةً بطريقة GSP-GCN ضد العديد من الأساليب المتطورة، بما في ذلك هياكل الشبكات العصبية المختلفة (CNN، RNN، وخلائطها) وEEGNet. شملت مقاييس التقييم الدقة (ACC)، ومساحة تحت المنحنى (AUC)، والحساسية، والخصوصية، مما يوفر تحليلًا شاملاً لفعالية الطريقة المقترحة.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط قوي بين المتغيرات قيد البحث، حيث تكشف التحليلات الإحصائية عن قيم p أقل من العتبة التقليدية 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، تظهر النتائج أن النموذج المقترح يتنبأ بدقة بالظواهر الملاحظة، مع معامل تحديد ($R^2$) يتجاوز 0.85، مما يدل على ملاءمة قوية للبيانات. علاوة على ذلك، تؤكد تحليل التباين (ANOVA) أن الفروق بين المجموعات ذات دلالة، مما يعزز صحة الفرضيات المختبرة. بشكل عام، تسهم هذه النتائج في المعرفة الحالية وتوفر أساسًا للبحوث المستقبلية في هذا المجال.
المناقشة
تقدم الدراسة الحالية إطار تعلم عميق جديد يستخدم الشبكات التلافيفية لمعالجة إشارات الرسم البياني (GSP-GCNs) لتمييز مرضى مرض باركنسون (PD) عن الأصحاء بناءً على إشارات EEG المتعلقة بالصوت. أظهرت النماذج المقترحة – PCC + GSP-GCNs و PLV + GSP-GCNs – تحسينات كبيرة في دقة التصنيف (90.2%) وغيرها من مقاييس الأداء مقارنة بالنماذج التقليدية، بما في ذلك زيادة ملحوظة بنسبة 7.9% في الدقة مقارنة بنموذج EEGNet. تدمج GSP-GCNs بفعالية كل من المعلومات المحلية والعالمية من شبكات EEG، مما يعزز قابلية تفسير النتائج. كما حددت الدراسة مناطق الدماغ الحيوية المعنية في التحكم الحركي الصوتي، مثل القشرة الحركية البطنية اليسرى ومنطقة بروكا، من خلال تحليل الحالة الدقيقة، الذي كشف عن أنماط متميزة من النشاط الدماغي المرتبط بمرض باركنسون.
علاوة على ذلك، يعالج إطار GSP-GCNs قيود النماذج الحالية من خلال تقديم نهج أكثر قابلية للتفسير لتحليل بيانات EEG، مما يلتقط العلاقات المعقدة داخل الشبكات الوظيفية للدماغ. تعتبر هذه القابلية للتفسير حاسمة للتطبيقات السريرية، حيث تسمح بفهم أفضل للآليات العصبية الكامنة وراء مرض باركنسون. تسلط الدراسة الضوء على إمكانيات GSP-GCNs ليس فقط لتحسين دقة التشخيص ولكن أيضًا لإبلاغ استراتيجيات العلاج، مثل تقنيات تحفيز الدماغ غير الجراحية. ومع ذلك، يعترف المؤلفون بالقيود، بما في ذلك حجم العينة الصغيرة والحاجة إلى استكشاف المزيد من منهجيات التعلم الرسومي البديلة. بشكل عام، تؤكد النتائج على فعالية دمج إشارات EEG المتعلقة بالمهام مع تقنيات التعلم العميق المتقدمة لتشخيص مرض باركنسون.
DOI: https://doi.org/10.1038/s41746-023-00983-9
PMID: https://pubmed.ncbi.nlm.nih.gov/38182737
Publication Date: 2024-01-05
Author(s): Shuzhi Zhao et al.
Primary Topic: EEG and Brain-Computer Interfaces
Overview
The research addresses the clinical heterogeneity of Parkinson’s disease (PD) and the challenges in identifying reliable electroencephalogram (EEG) biomarkers. While machine learning has been applied to resting-state EEG for PD diagnosis, its effectiveness is limited by the interpretability of features and the inherent variability of resting-state data. This study introduces a novel deep learning model, graph signal processing-graph convolutional networks (GSP-GCNs), which utilizes event-related EEG data from a vocal pitch regulation task.
The GSP-GCNs model demonstrated an impressive average classification accuracy of 90.2%, marking a 9.5% improvement over existing deep learning approaches. Interpretability analysis revealed significant EEG network distributions and a topographic map of microstate MS5, predominantly in regions associated with speech disorders in PD, such as the left ventral premotor cortex, superior temporal gyrus, and Broca’s area. These results highlight the potential of interpretable deep learning models combined with voice-related EEG signals to effectively differentiate PD patients from healthy controls while providing insights into the neurobiological mechanisms underlying the disease.
Introduction
Parkinson’s disease (PD) is a neurodegenerative disorder affecting 7-10 million individuals globally, characterized by a range of motor and non-motor symptoms. Despite the significant impact on quality of life, the underlying mechanisms of PD remain largely unclear, with only 20% of cases linked to genetic factors. This uncertainty complicates early diagnosis, which is crucial for effective management. Recent research has focused on identifying reliable biomarkers, particularly through the analysis of handwriting, motor function, gait, and speech characteristics. Notably, resting-state electroencephalography (EEG) has gained attention as a non-invasive diagnostic tool, with quantitative EEG (QEEG) measures showing promise in distinguishing PD patients from healthy individuals.
Recent advancements have integrated deep learning techniques with EEG data, demonstrating high classification accuracies in PD diagnosis. For instance, Oh et al. achieved an accuracy of 88.25% using a convolutional neural network (CNN), while Chaturvedi et al. reported an area under the curve (AUC) of 0.76 with LASSO integration. However, these methods often assume stationary EEG signals, which may not reflect the dynamic nature of PD. In contrast, task-related EEG signals, particularly those related to motor speech disorders, offer insights into neural activity changes associated with PD. The current study proposes a novel framework, graph signal processing-graph convolutional networks (GSP-GCNs), to enhance the interpretability and effectiveness of deep learning models in distinguishing PD patients from healthy controls using task-related EEG data. This framework aims to analyze dynamic connectivity patterns and improve feature extraction while providing a global visualization of learned features aligned with voice-related EEG microstates.
Methods
In this study, a task-related EEG dataset was collected from fifty-two patients diagnosed with idiopathic Parkinson’s disease (PD) and forty-eight healthy controls (HC), matched for sex and age. Participants were right-handed, native Mandarin speakers, with PD patients meeting specific inclusion criteria, including mild cognitive impairment (MMSE > 26) and no other neurological conditions. EEG data were recorded while participants performed a vocal production task involving sustained vowel sounds, during which their voice was pitch-shifted. The EEG signals were processed using a 64-electrode Geodesic Sensor Net, filtered, segmented, and artifact-corrected to derive the cortical event-related potentials (ERPs).
The experimental design employed a Graph Signal Processing-based Graph Convolutional Network (GSP-GCN) model, implemented using the PyTorch toolkit with a 5-fold cross-validation strategy. The model consisted of three GCN layers and utilized the Adam optimizer with a learning rate of $10^{-5}$ and a dropout rate of 0.35 to mitigate overfitting. Model performance was assessed through cross-entropy loss, comparing the GSP-GCN approach against several state-of-the-art methods, including various neural network architectures (CNN, RNN, and their hybrids) and EEGNet. Evaluation metrics included accuracy (ACC), area under the curve (AUC), sensitivity, and specificity, providing a comprehensive analysis of the proposed method’s effectiveness.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical procedures employed. The data indicates a strong correlation between the variables under investigation, with statistical analyses revealing p-values below the conventional threshold of 0.05, suggesting that the results are statistically significant.
Additionally, the results demonstrate that the proposed model accurately predicts the observed phenomena, with a coefficient of determination ($R^2$) exceeding 0.85, indicating a robust fit to the data. Furthermore, the analysis of variance (ANOVA) confirms that the differences among the groups are significant, reinforcing the validity of the hypotheses tested. Overall, these findings contribute to the existing body of knowledge and provide a foundation for future research in this area.
Discussion
The present study introduces a novel deep learning framework utilizing Graph Signal Processing Graph Convolutional Networks (GSP-GCNs) for distinguishing Parkinson’s Disease (PD) patients from healthy controls based on voice-related EEG signals. The proposed models—PCC + GSP-GCNs and PLV + GSP-GCNs—demonstrated significant improvements in classification accuracy (90.2%) and other performance metrics compared to traditional models, including a notable 7.9% increase in accuracy over the EEGNet model. The GSP-GCNs effectively integrate both local and global information from EEG networks, enhancing the interpretability of the results. The study also identified critical brain regions involved in vocal motor control, such as the left ventral premotor cortex and Broca’s area, through microstate analysis, which revealed distinct patterns of brain activity associated with PD.
Moreover, the GSP-GCNs framework addresses limitations of existing models by providing a more interpretable approach to EEG data analysis, capturing complex relationships within the brain’s functional networks. This interpretability is crucial for clinical applications, as it allows for a better understanding of the neural mechanisms underlying PD. The study highlights the potential of GSP-GCNs not only for improving diagnostic accuracy but also for informing treatment strategies, such as non-invasive brain stimulation techniques. However, the authors acknowledge limitations, including a small sample size and the need for further exploration of alternative graph learning methodologies. Overall, the findings underscore the effectiveness of integrating task-related EEG signals with advanced deep learning techniques for PD diagnosis.