【An electroencephalographic signature predicts antidepressant response in major depression-笔记】
An electroencephalographic signature predicts antidepressant response in major depression-筆記
- 摘要
- 方法
- 預(yù)處理
- 稀疏EEG潛空間回歸
- 參數(shù)優(yōu)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(shè)計(jì)了一種針對靜息狀態(tài)下EEG（resting-state electroencephalography）的潛在空間機(jī)器學(xué)習(xí)算法，用于確定抗抑郁藥物治療反應(yīng)的神經(jīng)生物學(xué)特征。這個(gè)模型很好的預(yù)測了抗抑郁藥舍曲林對患者的癥狀改善。同時(shí)，這個(gè)用于預(yù)測舍曲林效果的EEG特征被推廣到兩個(gè)抑郁癥樣本中，它反映了一般的抗抑郁藥物反應(yīng)性，并與重復(fù)經(jīng)顱磁刺激治療結(jié)果的差異相關(guān)。另外，作者發(fā)現(xiàn)了此EEG特征能夠指示同時(shí)進(jìn)行經(jīng)顱磁刺激和EEG測量的前額葉神經(jīng)反應(yīng)。
方法
End-to-end prediction of the treatment outcome with a latent-space model:
預(yù)處理
首先，通過對 rsEEG數(shù)據(jù)進(jìn)行線下預(yù)處理，以去除信號中的偽跡和最小化預(yù)處理中的偏差。步驟如下：
稀疏EEG潛空間回歸
該方法對受試者i的治療結(jié)果建立了以下模型：
XiX_iXi?是受試者i過濾后的EEG數(shù)據(jù)，y^\hat{ y}y^?表示第i名受試者的預(yù)測治療結(jié)果,wkw_kwk?是第k個(gè)空間濾波器 (k=1, …, L)，βk\beta_kβk?和b分別是線性回歸模型中的權(quán)重系數(shù)和截距。
首先，EEG信號由wkw_kwk?轉(zhuǎn)換成潛在信號sks_ksk?：sks_ksk?=XiTX_i^TXiT?wkw_kwk?,接著通過zkz_kzk?=skTs_k^TskT?sk/Ns_k/Nsk?/N計(jì)算第L個(gè)潛在信號的頻帶能量。線性回歸模型被用來根據(jù)潛在信號的頻帶能量預(yù)測治療效果：y^\hat{ y}y^?=∑k=1L\sum_{k=1}^{L}∑k=1L?βk\beta_kβk?zkz_kzk?+b。
參數(shù)優(yōu)化
令CiC_iCi?=XiXiT/NX_iX_i^T/NXi?XiT?/N表示EEG的空間協(xié)方差矩陣，則預(yù)測的治療結(jié)果可以被表示為如下：
Tr(.)為矩陣跡的運(yùn)算。 假設(shè)空間濾波器wkw_kwk?(k=1, …, L)為互相正交，wkw_kwk?和βk\beta_kβk?為W的特征向量和特征值。因此，我們可以直接優(yōu)化W，再通過特征分解得到以上兩個(gè)參數(shù)。
但是，在這個(gè)模型中，參數(shù)的數(shù)量通常會遠(yuǎn)大于訓(xùn)練樣板的數(shù)量，直接通過減少預(yù)測誤差來優(yōu)化參數(shù)會導(dǎo)致過擬合的發(fā)生，作者提出將W的秩作為懲罰項(xiàng)加入優(yōu)化問題中：
∥W∥0\parallel W\parallel_0∥W∥0? 為W的秩。
然而，這是一個(gè)NP-hard，而且懲罰項(xiàng)非平滑，這給計(jì)算帶來了很大的困難。為了解決這個(gè)麻煩，作者使用以下核函數(shù)作為矩陣秩的凸代替項(xiàng)：
σk\sigma_kσk?為W的奇異值。
通過這個(gè)操作，優(yōu)化過程便成為了一個(gè)凸優(yōu)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(yōu)化參數(shù)。
總結(jié)
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(nèi)容，希望文章能夠幫你解決所遇到的問題。
