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.
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.
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