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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/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. https://doi.org/10.18699/VJGB­22­93