Analýza biomarkerů psychiatrických pacientů pomocí analýzy EEG signálu a strojového učení

Abstract

Depresivní porucha je závažným psychiatrickým onemocněním s vysokou globální prevalencí, závažnými dopady na kvalitu života, a v nejvážnější podobě může vyústit sebevraždou. Brzká diagnóza a přesná předpověd’ průběhu léčby tedy může vést k podstatné redukci utrpení. V této práci aplikujeme techniky nelineární dynamické analýzy a konvoluční neuronové sítě (CNN) na problémy predikce vážnosti deprese a reakce na léčbu na datasetu EEG záznamů. Pomocí nelineárních metrik obdržujeme přesnost předpovědi na obou úkolech okolo 75 % a pozorujeme známky, že největší Lyapunův exponent může být relevantní pro predikci reakce na léčbu. Na datech dále vyhodnocujeme architekturu CNN inspirovanou metodou z oblasti brain-computer interfaces. Navzdory nesnadnosti studovaných problémů prezentujeme nové poznatky týkající se diagnostiky psychiatrických onemocnění a ukazujeme potenciál nelineárních metrik pro analýzu EEG záznamů depresivních pacientů.

Major depressive disorder has high population prevalence and significant impact on quality of life, and in its severe form may result in suicide. Hence, substantial amount of suffering may be alleviated by facilitating early diagnosis and accurate prediction of treatment response. In this thesis, we apply techniques of nonlinear dynamical analysis and Convolutional Neural Networks (CNN) to the problem of prediction of depression severity and treatment response on an original dataset of EEG recordings. Using nonlinear measures, we obtain classification accuracy of approximately 75% on both tasks, and provide evidence that the largest Lyapunov exponents may be relevant for treatment response prediction. Moreover, we evaluate a CNN architecture inspired by a technique from the field of braincomputer interfaces on the dataset. In spite of the difficulties of the studied problems, we provide new insights on mental disorder diagnostics and show the potential of nonlinear measures for analysing EEG signals of depresive patients.