An electroencephalographic signature predicts antidepressant response in major depression-筆記

• 摘要
• 方法
• • 預處理
  • 稀疏EEG潛空間回歸
  • 參數優化

作者：Wei Wu, Yu Zhang, Jing Jiang et al.
原文鏈接：https://www.nature.com/articles/s41587-019-0397-3

摘要

本文設計了一種針對靜息狀態下EEG（resting-state electroencephalography）的潛在空間機器學習算法，用于確定抗抑郁藥物治療反應的神經生物學特征。這個模型很好的預測了抗抑郁藥舍曲林對患者的癥狀改善。同時，這個用于預測舍曲林效果的EEG特征被推廣到兩個抑郁癥樣本中，它反映了一般的抗抑郁藥物反應性，并與重復經顱磁刺激治療結果的差異相關。另外，作者發現了此EEG特征能夠指示同時進行經顱磁刺激和EEG測量的前額葉神經反應。

方法

End-to-end prediction of the treatment outcome with a latent-space model:

預處理

首先，通過對 rsEEG數據進行線下預處理，以去除信號中的偽跡和最小化預處理中的偏差。步驟如下：

EEG數據重新采樣至250Hz

使用CleanLine (www.nitrc.org/projects/cleanline)消除60Hz的AC line噪聲偽影

使用0.01Hz高通濾波器去除EEG記錄中的非生理性緩慢漂移

將頻譜濾波后的EEG數據重參照至共同平均值

通過設置閾值來拒絕壞的epochs

使用ICA去除剩余的偽跡

將EEG數據重參照至共同平均值

稀疏EEG潛空間回歸

該方法對受試者i的治療結果建立了以下模型：

$X_i$是受試者i過濾后的EEG數據，$\hat{y}$表示第i名受試者的預測治療結果,$w_k$是第k個空間濾波器 (k=1, …, L)，${\beta }_k$和b分別是線性回歸模型中的權重系數和截距。
首先，EEG信號由$w_k$轉換成潛在信號$s_k$：$s_k$=$X_i^T$$w_k$,接著通過$z_k$=$s_k^T$$s_k/N$計算第L個潛在信號的頻帶能量。線性回歸模型被用來根據潛在信號的頻帶能量預測治療效果：$\hat{y}$=${\sum }_{k=1}^L$${\beta }_k$$z_k$+b。

參數優化

令$C_i$=$X_i{X}_i^T/N$表示EEG的空間協方差矩陣，則預測的治療結果可以被表示為如下：


Tr(.)為矩陣跡的運算。 假設空間濾波器$w_k$(k=1, …, L)為互相正交，$w_k$和${\beta }_k$為W的特征向量和特征值。因此，我們可以直接優化W，再通過特征分解得到以上兩個參數。
但是，在這個模型中，參數的數量通常會遠大于訓練樣板的數量，直接通過減少預測誤差來優化參數會導致過擬合的發生，作者提出將W的秩作為懲罰項加入優化問題中：

$\parallel W{\parallel }_0$ 為W的秩。
然而，這是一個NP-hard，而且懲罰項非平滑，這給計算帶來了很大的困難。為了解決這個麻煩，作者使用以下核函數作為矩陣秩的凸代替項：

${\sigma }_k$為W的奇異值。
通過這個操作，優化過程便成為了一個凸優化問題，我們可以使用加速近端梯度法來取得全局最小值以獲得優化參數。

總結

以上是生活随笔為你收集整理的【An electroencephalographic signature predicts antidepressant response in major depression-笔记】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。