Сверточные нейронные сети для классификации по данным ЭЭГ здоровых людей, практикующих или не практикующих медитацию

В настоящее время разработка объективных методик для оценки уровня стресса является чрезвычайно актуальной задачей прикладной нейронауки. Анализ электроэнцефалограммы (ЭЭГ), записанной в условиях выполнения заданий на самоконтроль поведения, может служить основой для разработки тестовых методик, позволяющих классифицировать людей по уровню стресса. Хорошо известно, что одним из следствий медитационной практики является выработка у участников навыков произвольного контроля над собственным ментальным состоянием за счет повышенной концентрации внимания на самом себе. На фоне медитационной практики часто происходит снижение общего уровня тревожности и стресса. Целью нашего исследования было разработать, обучить и протестировать сверточную нейронную сеть, способную классифицировать людей на группы участвующих или не участвующих в медитационной практике на основе анализа вызванных потенциалов головного мозга, записанных при выполнении заданий парадигмы стоп-сигнал. Были разработаны четыре архитектуры неглубоких сверточных сетей, которые были обучены и протестированы на выборке из 100 человек (51 медитатор и 49 не-медитатор). В дальнейшем все структуры были дополнительно протестированы на независимой выборке в 25 человек. Установлено, что структура, использующая одномерный сверточный слой, который объединяет слой и двуслойную полностью подключенную сеть, показала наилучшие результаты работы в имитационных тестах. Однако эта модель была часто подвержена переобучению из-за ограничения размера отображения набора данных. Явление переобучения было смягчено при помощи изменения структуры и масштаба модели, параметров сети инициализации, регуляризации, случайной деактивации (dropout) и гиперпараметров скрининга перекрестной проверки. В итоге нами получена модель, которая показала 82 % точность в классификации людей на подгруппы. Можно ожидать, что использование таких моделей окажется эффективным методом для оценки уровня стресса и предрасположенности к тревожным и депрессивным расстройствам в других группах испытуемых.

1. Aftanas L., Golosheykin S. Impact of regular meditation practice on EEG activity at rest and during evoked negative emotions. Int. J. Neurosci. 2005;115(6):893­909. DOI 10.1080/00207450590897969

2. Atchley R., Klee D., Memmott T., Goodrich E., Wahbeh H., Oken B. Event­related potentials correlates of mindfulness meditation competence. Neuroscience. 2016;320:83­92. DOI 10.1016/j.neuroscience.2016.01.051

3. Band G.P.H., van der Molen M.W., Logan G.D. Horse­race model simulations of the stop-signal procedure. Acta Psychol. 2003;112(2): 105­142. DOI 10.1016/s0001­6918(02)00079­3

4. Beck A.T., Steer R.A., Garbin M.G. Psychometric properties of the Beck Depression Inventory: twenty­five years of evaluation. Clin. Psychol. Rev. 1988;8(1):77­100. DOI 10.1016/0272­7358(88)90050­5

5. Bocharov A.V., Savostyanov A.N., Tamozhnikov S.S., Merkulova E.A., Saprigyn A.E., Proshina E.A., Knyazev G.G. Oscillatory dyna mics of perception of emotional sentences in healthy subjects with different severity of depressive symptoms. Neurosci. Lett. 2020;728: 134888. DOI 10.1016/j.neulet.2020.134888

6. Chiesa A., Calati R., Serretti A. Does mindfulness training improve cognitive abilities? A systematic review of neuropsychological findings. Clin. Psychol. Rev. 2011;31(3):449­464. DOI 10.1016/j.cpr.2010.11.003

7. Delorme A., Makeig S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J. Neurosci. Methods. 2004;134(1):9­21. DOI 10.1016/j.jneumeth.2003.10.009.

8. Hsieh M.T., Lu H., Lin C.I., Sun T.H., Chen Y.R., Cheng C.H. Effects of trait anxiety on error processing and post­error adjustments: an event­related potential study with stop­signal task. Front. Hum. Neurosci. 2021;15:650838. DOI 10.3389/fnhum.2021.650838

9. Iwata N., Higuchi H.R. Responses of Japanese and American university students to the STAI items that assess the presence or absence of anxiety. J. Pers. Assess. 2000;74(1):48­62. DOI 10.1207/S15327752JPA740104

10. Khosla A., Khandnor P., Chand T. A comparative analysis of signal processing and classification methods for different applications based on EEG signals. Biocybern. Biomed. Eng. 2020;40(2):649­690. DOI 10.1016/j.bbe.2020.02.002

11. Kuh D., Ben­Shlomo Y., Lynch J., Hallqvist J., Power C. Life course epidemiology. J. Epidemiol. Community Health. 2003;57(10):778­783. DOI 10.1136/jech.57.10.778

12. Kuznetsova V.B., Knyazev G.G., Dorosheva Е.А., Bocharov А.V., Savostyanov А.N. A role of personality and stress in the development of depressive symptoms in students. Zhurnal Nevrologii i Psi khiatrii = Journal of Neurology and Psychiatry. 2016;116(12):114­118. DOI 10.17116/jnevro2016116121114­118 (in Russian)

13. Loffe S., Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift. arXiv. 2015;1502.03167. DOI 10.48550/arXiv.1502.03167

14. Logan G.D., Cowan W.B. On the ability to inhibit thought and action: a theory of an act of control. Psychol. Rev. 1984;91(3):295­327. DOI 10.1037/0033­295X.91.3.295

15. McCrae R.R., Costa P.T., Jr., Ostendorf F., Angleitner A., Hrebícková M., Avia M.D., Sanz J., Sánchez­Bernardos M.L., Kusdil M.E., Woodfield R., Saunders P.R., Smith P.B. Nature over nurture: temperament, personality, and life span development. J. Pers. Soc. Psychol. 2000;78(1):173­186. DOI 10.1037//0022­3514.78.1.173

16. Nock M.K., Park J.M., Finn C.T., Deliberto T.L., Dour H.J., Banaji M.R. Measuring the suicidal mind: implicit cognition predicts suicidal behavior. Psychol. Sci. 2010;21(4):511­517. DOI 10.1177/0956797610364762

17. Quevedo K., Scott R.N.H., Martin J., Smyda G., Keener M., Oppenheimer C.W. The neurobiology of self­face recognition in depressed adolescents with low or high suicidality. J. Abnorm. Psychol. 2016; 125(8):1185­1200. DOI 10.1037/abn0000200

18. Saeed S.A., Cunningham K., Bloch R.M. Depression and anxiety disorders: benefits of exercise, yoga, and meditation. Am. Fam. Physician. 2019;99(10):620-627

19. Savostyanov A.N., Tsai A.C., Liou M., Levin A.E., Lee J.D., Yurganov A.V., Knyazev G.G. EEG­correlates of trait anxiety in the stopsignal paradigm. Neurosci. Lett. 2009;449(2):112­116. DOI 10.1016/j.neulet.2008.10.084

20. Savostyanov A.N., Tamozhnikov S.S., Bocharov A.V., Saprygin A.E., Matushkin Y., Lashin S., Kolpakova G., Sudobin K., Knyazev G. The effect of meditation on comprehension of statement about oneself and others: a pilot ERP and behavioral study. Front. Hum. Neurosci. 2020;13:437. DOI 10.3389/fnhum.2019.00437

21. Zelenskih M.O., Saprygin A.E., Tamozhnikov S.S., Rudych P.D., Lebedkin D.A., Savostyanov A.N. Development of a neural network for diagnosing the risk of depression according to the experimental data of the stop signal paradigm. Vavilovskii Zhurnal Genetiki i Selektsii = Vavilov Journal of Genetics and Breeding. 2022;26(8):773779. DOI 10.18699/VJGB­22­93