Aangi Shah -
The Riverside School (IN),
Ajay Goyal -
Institute of Design, Nirma University (IN),
Abstract
العنوان:
التصنيف متعدد الفئات للاضطرابات النفسية بالاعتماد على تخطيط كهربية الدماغ (EEG) باستخدام التعلم الآلي القابل للتفسير وخصائص الطيف والاتصال الوظيفي
المؤلفان:
آنجي شاه، أجاي غويال
الملخص:
يعتمد تشخيص الاضطرابات النفسية اعتمادًا كبيرًا على التقييم السريري الذاتي، مما يحدّ من القدرة على التمييز الموضوعي بين الاضطرابات التي قد تتزامن لدى الفرد. تقدّم هذه الدراسة إطارًا قابلًا للتفسير للتصنيف متعدد الفئات بالاعتماد على تخطيط كهربية الدماغ (EEG)، ويشمل اضطراب الإدمان، واضطراب القلق، واضطراب المزاج، واضطراب الوسواس القهري (OCD)، والفصام، والاضطرابات المرتبطة بالصدمات والضغوط النفسية، بالإضافة إلى مجموعة ضابطة من الأصحاء. جرى تحليل مجموعة بيانات تضم 945 مشاركًا و1,140 سمة طيفية وسمة اتصال مستخرجة من إشارات تخطيط كهربية الدماغ، مع تقليص فضاء السمات إلى 300 واصف باستخدام اختيار السمات القائم على التباين. وأُجري التصنيف باستخدام آلة التعلم القصوى (ELM)، ومصنّف بايز الساذج (NB)، وآلة المتجهات الداعمة (SVM)، ضمن بنية «فئة واحدة مقابل جميع الفئات».
أظهر مصنّف بايز الساذج قدرة تمييزية محدودة نسبيًا، إذ تراوحت درجات F1 بين 35.33% و72.76%. وحققت آلة التعلم القصوى أداءً مستقرًا، بدرجات F1 تراوحت بين 66.03% و89.31%، وسجّلت باستمرار دقة اختبار أعلى عبر جميع الفئات، بما في ذلك 95.12% لاضطراب الوسواس القهري و90.34% للمجموعة الضابطة من الأصحاء. أما آلة المتجهات الداعمة فحققت أفضل توازن بين الدقة والاسترجاع في معظم الفئات، وسجّلت درجات F1 بلغت 94.00% لاضطراب الوسواس القهري، و84.08% لاضطراب القلق، و79.84% للفصام. وظلّ اضطراب المزاج الفئة الأصعب في التصنيف، إذ بلغت أعلى درجة F1 له 66.03%.
وكشف التحليل بحسب نطاقات التردد أن سمات نطاق ثيتا كانت الأكثر قدرة على التمييز ضمن مجموعة البيانات الحالية، محققةً دقة مستقلة بلغت 91.57%. وتشير هذه النتائج إلى أن السمات الطيفية وسمات الترابط المستخرجة من تخطيط كهربية الدماغ، عند دمجها مع مصنّفات تعلم آلي خفيفة المتطلبات الحاسوبية، يمكن أن تدعم التصنيف متعدد الفئات للاضطرابات النفسية، مع تفاوت الأداء بحسب الفئة. ومع ذلك، فإن انخفاض الأداء الملحوظ في تصنيف اضطراب المزاج والاعتماد على مجموعة بيانات عامة واحدة يشيران إلى الحاجة إلى مزيد من التحقق الخارجي، والمقارنات الإحصائية، ودمج السمات متعددة الوسائط قبل اعتماد هذا النهج في الممارسة السريرية.
Classification multiclasse des troubles psychiatriques à partir de l’EEG à l’aide de l’apprentissage automatique interprétable fondé sur des caractéristiques spectrales et de connectivité
Aangi Shah, Ajay Goyal
Le diagnostic psychiatrique repose largement sur une évaluation clinique subjective, ce qui limite la différenciation objective entre des troubles concomitants. Cette étude présente un cadre interprétable de classification multiclasse fondé sur l’électroencéphalographie (EEG), couvrant les troubles addictifs, les troubles anxieux, les troubles de l’humeur, les troubles obsessionnels compulsifs (TOC), la schizophrénie, les troubles liés aux traumatismes et au stress, ainsi que les témoins sains. Un ensemble de données comprenant 945 sujets et 1 140 caractéristiques spectrales et de cohérence dérivées de l’EEG a été analysé ; une sélection fondée sur la variance a permis de réduire l’espace des caractéristiques à 300 descripteurs. La classification a été réalisée à l’aide d’une machine à apprentissage extrême (Extreme Learning Machine, ELM), du classificateur bayésien naïf (Naïve Bayes, NB) et d’une machine à vecteurs de support (Support Vector Machine, SVM), selon une architecture « un contre tous ». Le classificateur NB a montré une capacité discriminante relativement limitée (scores F1 : de 35,33 % à 72,76 %). Le modèle ELM a obtenu des performances stables, avec des scores F1 allant de 66,03 % à 89,31 %, ainsi que des taux d’exactitude systématiquement plus élevés sur les données de test dans toutes les classes, notamment 95,12 % pour les TOC et 90,34 % pour les témoins sains. Le modèle SVM a présenté le meilleur équilibre entre précision et rappel dans la plupart des classes, avec des scores F1 de 94,00 % pour les TOC, de 84,08 % pour les troubles anxieux et de 79,84 % pour la schizophrénie. Les troubles de l’humeur sont restés la classe la plus difficile à identifier (score F1 maximal : 66,03 %). L’analyse par bandes de fréquences a identifié les caractéristiques de la bande thêta comme les plus discriminantes dans cet ensemble de données, avec un taux d’exactitude de 91,57 % lorsqu’elles étaient utilisées seules. Ces résultats suggèrent que les caractéristiques spectrales et de cohérence dérivées de l’EEG, associées à des classificateurs d’apprentissage automatique peu complexes, peuvent contribuer à la classification multiclasse des troubles psychiatriques, avec des performances variables selon les classes. Toutefois, les performances plus faibles observées pour les troubles de l’humeur et le recours à un seul ensemble de données public montrent que des validations externes supplémentaires, des comparaisons statistiques et l’intégration de caractéristiques multimodales sont nécessaires avant toute application clinique.
Wieloklasowa klasyfikacja zaburzeń psychicznych na podstawie EEG z wykorzystaniem interpretowalnego uczenia maszynowego oraz cech spektralnych i łączności funkcjonalnej
Autorzy:
Aangi Shah, Ajay Goyal
Streszczenie:
Diagnostyka psychiatryczna w dużym stopniu opiera się na subiektywnej ocenie klinicznej, co ogranicza możliwość obiektywnego różnicowania współwystępujących zaburzeń. W niniejszym badaniu przedstawiono interpretowalny model wieloklasowej klasyfikacji na podstawie elektroencefalografii (EEG), obejmujący zaburzenia związane z uzależnieniami, zaburzenia lękowe, zaburzenia nastroju, zaburzenia obsesyjno-kompulsyjne (OCD), schizofrenię, zaburzenia związane z traumą i stresem oraz grupę zdrowych osób kontrolnych.
Przeanalizowano zbiór danych obejmujący 945 osób i 1140 cech spektralnych oraz cech koherencji wyznaczonych z EEG. Selekcja oparta na wariancji pozwoliła ograniczyć liczbę cech do 300. Klasyfikację przeprowadzono przy użyciu maszyny ekstremalnego uczenia (Extreme Learning Machine, ELM), naiwnego klasyfikatora Bayesa (Naïve Bayes, NB) oraz maszyny wektorów nośnych (Support Vector Machine, SVM), stosując podejście „jedna klasa przeciwko wszystkim”.
Model NB wykazał stosunkowo ograniczoną zdolność rozróżniania klas (F1: 35,33%–72,76%). Model ELM osiągnął stabilne wyniki, ze wskaźnikami F1 od 66,03% do 89,31%, oraz konsekwentnie wyższą trafność klasyfikacji na zbiorze testowym we wszystkich klasach, w tym 95,12% dla OCD i 90,34% dla zdrowej grupy kontrolnej.
Model SVM zapewnił najlepszą równowagę między precyzją a czułością w większości klas, uzyskując wskaźniki F1 wynoszące 94,00% dla OCD, 84,08% dla zaburzeń lękowych i 79,84% dla schizofrenii. Największym wyzwaniem pozostała klasyfikacja zaburzeń nastroju (maksymalny F1: 66,03%).
Analiza poszczególnych pasm częstotliwości wykazała, że cechy pasma theta miały największą zdolność rozróżniania klas w analizowanym zbiorze danych, osiągając samodzielnie trafność klasyfikacji na poziomie 91,57%.
Wyniki sugerują, że cechy spektralne i koherencyjne wyznaczone z EEG, połączone z lekkimi obliczeniowo klasyfikatorami uczenia maszynowego, mogą wspierać wieloklasową klasyfikację zaburzeń psychicznych, choć skuteczność różni się między poszczególnymi klasami. Niższa skuteczność w przypadku zaburzeń nastroju oraz wykorzystanie tylko jednego publicznie dostępnego zbioru danych wskazują jednak na konieczność dalszej walidacji zewnętrznej, porównań statystycznych i integracji cech multimodalnych przed zastosowaniem tego podejścia w praktyce klinicznej.
Clasificación multiclase de trastornos psiquiátricos basada en EEG mediante aprendizaje automático interpretable aplicado a características espectrales y de conectividad
Autores:
Aangi Shah - The Riverside School (IN)
Ajay Goyal - Institute of Design, Nirma University (IN)
Resumen
El diagnóstico psiquiátrico se basa en gran medida en la evaluación clínica subjetiva, lo que limita la diferenciación objetiva entre trastornos que pueden coexistir.
Este estudio presenta un marco interpretable de clasificación multiclase basado en electroencefalografía (EEG) para el Trastorno Adictivo, el Trastorno de Ansiedad, el Trastorno del Estado de Ánimo, el Trastorno Obsesivo-Compulsivo (TOC), la Esquizofrenia, el Trastorno Relacionado con el Trauma y el Estrés, y los Controles Sanos.
Se analizó un conjunto de datos de 945 sujetos con 1.140 características espectrales y de coherencia derivadas de EEG, y una selección basada en la varianza redujo el espacio de características a 300 descriptores.
La clasificación se realizó mediante Extreme Learning Machine (ELM), Naïve Bayes (NB) y Support Vector Machine (SVM) dentro de una arquitectura uno contra todos.
NB mostró una capacidad discriminativa comparativamente limitada (F1: 35,33 %–72,76 %).
ELM alcanzó un rendimiento estable, con puntuaciones F1 entre 66,03 % y 89,31 %, y precisiones de prueba consistentemente más altas en todas las clases, incluyendo 95,12 % para el TOC y 90,34 % para los Controles Sanos.
SVM proporcionó el mejor equilibrio entre precisión y exhaustividad en la mayoría de las clases, con puntuaciones F1 de 94,00 % para el TOC, 84,08 % para el Trastorno de Ansiedad y 79,84 % para la Esquizofrenia.
El Trastorno del Estado de Ánimo siguió siendo la clase más difícil de clasificar (F1 máximo: 66,03 %).
El análisis por bandas identificó las características de la banda theta como las más discriminativas dentro del conjunto de datos utilizado, alcanzando una precisión independiente del 91,57 %.
Estos resultados sugieren que las características espectrales y de coherencia derivadas de EEG, combinadas con clasificadores ligeros de aprendizaje automático, pueden apoyar la clasificación psiquiátrica multiclase con un rendimiento variable según la clase.
Sin embargo, el menor rendimiento observado para el Trastorno del Estado de Ánimo y la dependencia de un único conjunto de datos público indican que se requieren una validación externa adicional, comparaciones estadísticas y la integración de características multimodales antes de su aplicación clínica.
Багатокласова класифікація психіатричних розладів на основі ЕЕГ із використанням інтерпретованого машинного навчання та спектральних характеристик і показників зв’язності
Автори:
Aangi Shah, Ajay Goyal
Анотація:
Діагностика психіатричних розладів значною мірою спирається на суб’єктивне клінічне оцінювання, що обмежує можливості об’єктивного розмежування розладів, які можуть виникати одночасно. У цьому дослідженні представлено інтерпретовану систему багатокласової класифікації на основі електроенцефалографії (ЕЕГ) для таких категорій: адиктивний розлад, тривожний розлад, розлад настрою, обсесивно-компульсивний розлад (ОКР), шизофренія, розлад, пов’язаний із травмою та стресом, а також здорові особи контрольної групи. Було проаналізовано набір даних 945 учасників, що містив 1140 спектральних характеристик і показників когерентності, отриманих з ЕЕГ. Відбір ознак за дисперсією дав змогу скоротити їх кількість до 300. Класифікацію здійснювали за допомогою машини екстремального навчання (ELM), наївного баєсівського класифікатора (NB) та методу опорних векторів (SVM) за схемою «один проти всіх». NB продемонстрував порівняно обмежену здатність розрізняти класи (F1: 35,33–72,76 %). ELM забезпечив стабільні результати з показниками F1 від 66,03 % до 89,31 % і стабільно вищою точністю на тестових даних для всіх класів, зокрема 95,12 % для ОКР та 90,34 % для здорової контрольної групи. SVM забезпечив найкращий баланс точності та повноти для більшості класів, досягнувши показників F1 94,00 % для ОКР, 84,08 % для тривожного розладу та 79,84 % для шизофренії. Розлад настрою залишався найскладнішим для класифікації класом (максимальний F1: 66,03 %). Аналіз за частотними діапазонами визначив характеристики тета-діапазону як найбільш дискримінативні в межах цього набору даних: їх використання окремо забезпечило точність 91,57 %. Результати свідчать, що спектральні характеристики та показники когерентності, отримані з ЕЕГ, у поєднанні з обчислювально невибагливими класифікаторами машинного навчання можуть підтримувати багатокласову класифікацію психіатричних розладів, хоча ефективність залежить від конкретного класу. Водночас нижча ефективність для розладів настрою та використання лише одного загальнодоступного набору даних указують на необхідність подальшої зовнішньої валідації, статистичного порівняння й інтеграції мультимодальних ознак перед впровадженням у клінічну практику.
Psychiatric diagnosis relies heavily on subjective clinical evaluation, limiting objective differentiation across co-occurring disorders. This study presents an interpretable multiclass electroencephalography (EEG)-based framework for —Addictive Disorder, Anxiety Disorder, Mood Disorder, Obsessive-Compulsive Disorder (OCD), Schizophrenia, Trauma and Stress-Related Disorder—and Healthy Controls. A dataset of 945 subjects with 1,140 EEG-derived spectral and coherence features was analysed, with variance-based selection reducing the feature space to 300 descriptors. Classification was performed using Extreme Learning Machine (ELM), Naïve Bayes (NB), and Support Vector Machine (SVM) within a one-vs-all architecture. NB demonstrated comparatively limited discriminative capability (F1: 35.33%–72.76%). ELM achieved stable performance with F1-scores ranging from 66.03% to 89.31% and consistently higher testing accuracies across all classes, including 95.12% for OCD and 90.34% for Healthy Controls. SVM yielded the highest precision–recall balance across most classes, achieving F1-scores of 94.00% for OCD, 84.08% for Anxiety Disorder, and 79.84% for Schizophrenia. Mood Disorder remained the most challenging class (maximum F1: 66.03%). Bandwise analysis identified theta-band features as the most discriminative within the present dataset , achieving 91.57% standalone accuracy. These results suggest that EEG-derived spectral and coherence features, when combined with lightweight machine learning classifiers, can support multiclass psychiatric classification with variable class-wise performance. However, the lower performance observed for Mood Disorder and the reliance on a single public dataset indicate that further external validation, statistical comparison, and multimodal feature integration are required before clinical translation.
Academic discipline and sub-disciplines:
Psychiatry; Machine Learning; Artificial Intelligence