Parkinsonin taudin tunnistaminen elektroenkefalogrammista koneoppimisteknologian avulla

Abstract

Tässä tutkielmassa perehdytään koneoppimisteknologian käyttöön Parkinsonin tautia sairastavien ja terveiden koehenkilöiden EEG-tallenteiden erottamisessa toisistaan. EEG:n käyttö Parkinsonin taudin biomarkerina on herättänyt kiinnostusta, ja aiemmassa koneoppimisteknologiaa käyttävässä tutkimuksessa on saavutettu lupaavia tuloksia. Aiemmassa tutkimuksessa ei ole kuitenkaan tutkittu systemaattisesti EEG:n mittaamiseen käytettävien elektrodien lukumäärän vaikutusta luokittelutarkkuuteen, joka on tämän tutkielman yhteydessä toteutetun koneoppimispohjaisen EEG-analyysin ensisijainen tutkimuskysymys. Analyysin aineisto koostuu kolmella eri yliopistolla (Iowan yliopisto, New Mexicon yliopisto ja Turun yliopisto) kerätyistä, yhdistetyistä EEG-aineistoista. Aineistot on esikäsitelty PREP-esiprosessointiputken avulla, ja piirteenekstraktointiin on käytetty tyypillisten EEG-analyysin mukaisten taajuuskaistojen (delta, theta, alpha1, alpha2, beta) näyteentropia -metriikoita. Aineiston luokitteluun on käytetty logistista regressiomallia. Elektrodien lukumäärän vaikutusta mallin saavuttamaan luokittelutarkkuuteen on tutkittu käyttämällä budjetoitua ja ryhmäperustaista, ahnetta eteenpäinhakualgoritmia piirteenvalintaan. Keskeisenä havaintona huomattiin, että luokittelu onnistuu kymmenellä elektrodilla lähes yhtä hyvällä tarkkuudella (0.72) kuin käyttämällä täyttä elektrodivalikoimaa. Toissijaisesti huomattiin, että luokittelu käyttäen koehenkilöiden silmät auki mitattua EEG:tä onnistuu merkittävästi paremmin kuin käyttäen silmät kiinni mitattua EEG:tä. Lisäksi havaittiin, että elektrodien sijainnilla ei vaikuta olevan erityisen suurta merkitystä. Tämän tutkielman tulosten valossa voi olla aiheellista jatkaa tutkimuksia pienillä elektrodivalikoimilla.