特開 2024-115491 動的・因果的な脳ネットワークに基づくうつ病検出装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024115491

(43)【公開日】2024-08-26

(54)【発明の名称】動的・因果的な脳ネットワークに基づくうつ病検出装置

(51)【国際特許分類】

   A61B 10/00 20060101AFI20240819BHJP

   A61B 5/38 20210101ALI20240819BHJP

   G06N 20/10 20190101ALI20240819BHJP

【ＦＩ】

A61B10/00 H

A61B5/38

G06N20/10

【審査請求】有

【請求項の数】4

【出願形態】ＯＬ

(21)【出願番号】P 2023050095

(22)【出願日】2023-03-27

(11)【特許番号】

(45)【特許公報発行日】2024-07-01

(31)【優先権主張番号】202310111108.7

(32)【優先日】2023-02-14

(33)【優先権主張国・地域又は機関】CN

(71)【出願人】

【識別番号】505245449

【氏名又は名称】天津大学

【氏名又は名称原語表記】Ｔｉａｎ Ｊｉｎ Ｕｎｉｖｅｒｓｉｔｙ

【住所又は居所原語表記】９２， Ｗｅｉｊｉｎ Ｒｏａｄ， Ｎａｎｋａｉ Ｄｉｓｔｒｉｃｔ Ｔｉａｎｊｉｎ ３０００７２ ＣＨＩＮＡ

(74)【代理人】

【識別番号】100130111

【弁理士】

【氏名又は名称】新保 斉

(72)【発明者】

【氏名】劉 爽

(72)【発明者】

【氏名】陳 思▲トン▼

(72)【発明者】

【氏名】明 東

(72)【発明者】

【氏名】張 波

(72)【発明者】

【氏名】蘇 方▲ゲツ▼

(72)【発明者】

【氏名】柯 余峰

【テーマコード（参考）】

4C127

【Ｆターム（参考）】

4C127AA03

4C127DD02

4C127GG10

4C127GG13

4C127GG16

(57)【要約】      （修正有）

【課題】動的・因果的なネットワークに基づくうつ病検出装置を提供する。
【解決手段】４０Ｈｚ－Ｏ－ｃｈｉｒｐ音の刺激下の被験者のＥＥＧ信号を収集し、スライディングウィンドウによる処理を施し、各時間窓の下でグレンジャー因果関係に基づく偏有向コヒーレンスアルゴリズムでＰＤＣの大きさを計算したＰＤＣ隣接行列を得ること、隣接行列に基づく脳ネットワークのトポロジー特性パラメータを計算し構築した動的変化グラフをうつ病患者の脳の動的変化の記述に用いること、及び検出された異常な脳結合サブネットワーク特徴について次元削減と融合を実行し、ケンドールの順位相関係数のバリアントで分類能力の弱い特徴を取り除き、サポートベクターマシンで分類モデルを構築し、一つ抜き交差検証法でモデルを検証し、モデルの精度、感度、特異度、及びＲＯＣ曲線を計算して、分類の性能を評価する動的・因果的な脳ネットワークに基づくうつ病検出装置。
【選択図】図１

【特許請求の範囲】

【請求項1】

動的・因果的な脳ネットワークに基づくうつ病検出装置であって、以下の構成：
４０Ｈｚ－Ｏ－ｃｈｉｒｐ音の刺激下の被験者のＥＥＧ信号を収集し、スライディングウィンドウを使用してＥＥＧ信号にウィンドウ処理を施し、各ウィンドウの下で、グレンジャー因果関係とその考え方に基づく偏有向コヒーレンスアルゴリズムでＰＤＣの大きさを計算することで、各時間窓の下でのＰＤＣ隣接行列を得ること、
前記隣接行列に基づいて、各前記時間窓の下で脳ネットワークのトポロジー特性パラメータを計算し、脳ネットワークの動的変化グラフを構築し、脳の動的結合のトポロジーパラメータを計算してうつ病患者の脳の動的変化を記述するために用いられること、及び
検出された異常な脳結合サブネットワーク特徴について特徴の次元削減と融合を実行し、ケンドールの順位相関係数のバリアントで分類能力の弱い特徴を取り除き、サポートベクターマシンを用いて分類モデルを構築し、一つ抜き交差検証法でモデルを検証し、最後に前記モデルの精度、感度、特異度、及びＲＯＣ曲線を計算して、分類の性能を評価すること
を有することを特徴とする、動的・因果的な脳ネットワークに基づくうつ病検出装置。

【請求項2】

ハミング窓を用いて抽出された前処理後のＥＥＧ信号の各セグメントにウィンドウ処理を施し、窓長は０．６秒、ステップサイズは０．１秒であり、すなわち、各窓長０．６秒の前記ＥＥＧ信号の下でＰＤＣ行列を計算し、動的・因果的な脳結合行列を得、対応する動的脳ネットワークを構築し、ネットワークベース統計ＮＢＳを使用して、うつ病患者の脳の動的変化特徴を記述することを特徴とする、請求項１に記載の動的・因果的な脳ネットワークに基づくうつ病検出装置。

【請求項3】

前記検出された異常な脳結合サブネットワーク特徴について特徴の次元削減と融合を実行し、ケンドールの順位相関係数のバリアントで分類能力の弱い特徴を取り除くことは、具体的には、
ＮＢＳでうつ病患者の脳結合中に存在する異常な部分を判別し、Ｐ次元の特徴を得、

【数1】

［式中、Ｎ＝３０で、Ｔは、異常な脳結合がある時間窓の数である。］
各前記時間窓Ｔにおいて、得られた前記Ｐ次元の特徴について特徴の次元削減を実行し、ケンドールの順位相関係数で分類能力の弱い特徴を取り除き、相関係数は、次のように定義され、

【数2】

［式中、n_c、n_d、は、それぞれ一致ペアと不一致ペアの数を、ｍとｎはそれぞれ患者と健常者の数を表す］
観測されたデータペア｛Ｘ_ｉｊ，Ｙ_ｊ｝と｛Ｘ_ｉｋ，Ｙ_ｋ｝のＸ_ｉｊのは、ｊ番目の被験者の脳結合行列内のｉ番目の脳結合固有値、Ｙ_ｊはｊ番目の被験者のカテゴリラベルを指し、この被験者がうつ病患者の場合、Ｙ_ｊ＝１で、この被験者が健常対照群の場合、Ｙ_ｊ＝－１であり、
ｃｏｎｃｏｒｄａｎｔ ｐａｉｒｓ及びｄｉｓｃｏｒｄａｎｔ ｐａｉｒｓは、それぞれ次のように定義され、

【数3】

特徴ごとにＫｅｎｄａｌｌ’ｓ ｔａｕ相関係数を計算でき、係数の絶対値を特徴の分類能力とする
ことを特徴とする、請求項１に記載の動的・因果的な脳ネットワークに基づくうつ病検出装置。

【請求項4】

以下の構成：
計算で得られた動的トポロジーパラメータを統計的に解析して、前期、中期、後期の有意差のある特性パラメータを得、特性パラメータと固有値を融合すること、及び、
分類特徴について選択、次元削減、融合を行った後、分類モデルのトレーニング及び検定を実施し、サポートベクターマシンを分類器として使用し、一つ抜き交差検証法でモデル検証を行い、モデルの精度、感度、特異度及びＲＯＣ曲線を計算してモデルの性能を評価すること
を有することを特徴とする、請求項３に記載の動的・因果的な脳ネットワークに基づくうつ病検出装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、うつ病の検測分野に関し、特に、動的・因果的な脳ネットワークに基づくうつ病検出装置に関する。

【背景技術】

【0002】

うつ病（Ｍａｊｏｒ ｄｅｐｒｅｓｓｉｖｅ ｄｉｓｏｒｄｅｒｓ、ＭＤＤ）は、気分がひどく落ち込み、興味の減退等を主な特徴とする精神障害類疾患で、有病率が高く、誤診率が高く、再発率が高いという特徴を有する。世界保健機関の報告書に基づくと、２０１７年には世界のうつ病患者は、３．２２億人に達し、有病率が約４．４％であった。《柳葉刀》雑誌に掲載された調査報告に基づくと、中国のうつ病の生涯有病率が３．４％であると示されている。《中国うつ病性障害予防ガイドライン》に基づくと、うつ病性障害の誤診率は、６５．９％に達していた。うつ病は、人々の心身健康に危害を及ぼすキラーになっている。

【0003】

ただし現在うつ病の診断は、臨床精神科医の症状問診が主となり、主にメンタルヘルススケールの評価と医師の主観的な経験に依存してきたため、結果の一致性が低く、誤診率が高く、客観的な診断手法に欠けていた。人間の脳は、無数の神経細胞と神経細胞間の相互作用からなる複雑な神経回路網であり、脳のさまざまな機能は、相互作用する複数の単位・系の働きによって実現される。グラフ理論に基づく複雑な脳ネットワークモデルは、脳領域間の相互作用の研究及び強力な計算ツールによる機能ネットワークの複雑なトポロジー構造の解釈のために理論的フレームワークを提供する。事実、脳ネットワークを使用して病患者の脳機能の変化を探究することは、すでに一定の成果が得られている。ただし現在の研究には一貫した結果がなく、現在脳ネットワークに対する研究は脳機能という複雑な時空間現象の静的平均値にのみに焦点を当ててきたため、時間次元の記述及び探究に欠けていた。

【0004】

したがって、うつ病患者の脳機能ネットワークの動的変化を探究することで、ダイナミクス特徴を抽出し、うつ病の診断に信頼できる理論的及び技術的サポートを提供することは、重要な科学的意味を持っている。

【発明の概要】

【発明が解決しようとする課題】

【0005】

本発明は、動的・因果的な脳ネットワークに基づくうつ病検出装置を提供する。本発明は、４０Ｈｚの周波数チャープ（Ｏ－ｃｈｉｒｐ）音で患者の脳のｇａｍｍａリズムを誘導し、スライディングウィンドウで連続時間窓を抽出し、各時間窓の下で偏有向コヒーレンス（Ｐａｒｔｉａｌ ｄｉｒｅｃｔｅｄ ｃｏｈｅｒｅｎｃｅ、ＰＤＣ）を使用して脳ネットワークを構築し、ネットワークベース統計解析ツール（Ｎｅｔｗｏｒｋ－ｂａｓｅｄ ｓｔａｔｉｓｔｉｃｓ、ＮＢＳ）で患者群と対照群の脳ネットワークにおける動的結合を統計的に検定し、患者の脳に異常な動的変化を伴う脳領域間結合を解析し、次に動的トポロジー特性パラメータを計算することで、患者の脳の特定のトポロジー特性を見出し、以下に説明する。

【課題を解決するための手段】

【0006】

動的・因果的な脳ネットワークに基づくうつ病検出装置であって、以下の構成：
４０Ｈｚ－Ｏ－ｃｈｉｒｐ音の刺激下の被験者のＥＥＧ信号を収集し、スライディングウィンドウを使用してＥＥＧ信号にスライディングウインドウテクニック処理を施し、各ウィンドウの下で、グレンジャー因果関係とその考え方に基づく偏有向コヒーレンスアルゴリズムでＰＤＣの大きさを計算することで、各時間窓の下でのＰＤＣ隣接行列を得ること、
隣接行列に基づいて、各時間窓の下で脳ネットワークのトポロジー特性パラメータを計算し、脳ネットワークの動的変化グラフを構築し、脳の動的結合のトポロジーパラメータを計算してうつ病患者の脳の動的変化を記述するために用いられること、及び
検出された異常な脳結合サブネットワーク特徴について特徴の次元削減と融合を実行し、ケンドールの順位相関係数のバリアントで分類能力の弱い特徴を取り除き、サポートベクターマシンを用いて分類モデルを構築し、一つ抜き交差検証法でモデルを検証し、最後にモデルの精度、感度、特異度、及びＲＯＣ曲線を計算して、分類の性能を評価することを有する。

【0007】

ハミング窓を用いて抽出された前処理後のＥＥＧ信号の各セグメントにウィンドウ処理を施し、窓長は０．６秒、ステップサイズは０．１秒であり、すなわち、各窓長０．６秒のＥＥＧ信号の下でＰＤＣ行列を計算し、動的・因果的な脳結合行列を得、対応する動的脳ネットワークを構築し、ネットワークベース統計ＮＢＳを使用して、うつ病患者の脳の動的変化特徴を記述する。

【0008】

さらに、検出された異常な脳結合サブネットワーク特徴について特徴の次元削減と融合を実行し、ケンドールの順位相関係数のバリアントで分類能力の弱い特徴を取り除くことは、具体的には、
ＮＢＳでうつ病患者の脳結合中に存在する異常な部分を判別し、Ｐ次元の特徴を得る。

【0009】

【数1】

式中、Ｎ＝３０で、Ｔは、異常な脳結合がある時間窓の数であり、
各時間窓Ｔにおいて、得られたＰ次元の特徴について特徴の次元削減を実行し、ケンドールの順位相関係数で分類能力の弱い特徴を取り除き、相関係数は、次のように定義される。

【0010】

【数2】

式中、n_c、n_dは、それぞれ一致ペアと不一致ペアの数を、ｍとｎはそれぞれ患者と健常者の数を表し、観測されたデータペア｛Ｘ_ｉｊ，Ｙ_ｊ｝と｛Ｘ_ｉｋ，Ｙ_ｋ｝のＸ_ｉｊは、ｊ番目の被験者の脳結合行列内のｉ番目の脳結合固有値、Ｙ_ｊはｊ番目の被験者のカテゴリラベルを指し、この被験者がうつ病患者の場合、Ｙ_ｊ＝１で、この被験者が健常対照群の場合、Ｙ_ｊ＝－１であり、
ｃｏｎｃｏｒｄａｎｔ ｐａｉｒｓ及びｄｉｓｃｏｒｄａｎｔ ｐａｉｒｓは、それぞれ次のように定義される。

【0011】

【数3】

特徴ごとにＫｅｎｄａｌｌ’ｓ ｔａｕ相関係数を計算でき、係数の絶対値を特徴の分類能力とする。

【0012】

前記装置は、以下の構成：
計算で得られた動的トポロジーパラメータを統計的に解析して、前期、中期、後期の有意差のある特性パラメータを得、特性パラメータと固有値を融合すること、及び、
分類特徴について選択、次元削減、融合を行った後、分類モデルのトレーニング及び検定を実施し、サポートベクターマシンを分類器として使用し、一つ抜き交差検証法でモデル検証を行い、モデルの精度、感度、特異度及びＲＯＣ曲線を計算してモデルの性能を評価することを有する。

【発明の効果】

【0013】

本発明で提供される技術的手段の有利な効果は、次の通りであり、
１、従来の手法におけるうつ病の脳ネットワークの特徴抽出に存在する欠陥と問題点について、偏有向コヒーレンスを用いて因果的な脳結合を計算し、方向次元の情報を増加させると共に時間窓をスライドさせる方法で時間次元情報を提供し、うつ病患者のｇａｍｍａ周波数帯域で聴性定常状態誘発電位の異常を発見しただけでなく、時間と空間の２つの次元からこの異常が脳の各脳領域間にどのように分布しているかを探究し、
２、動的・因果的な脳結合の方法を通じて、本発明は、うつ病の前期、中期、後期段階における聴性定常状態誘発電位の異なる異常サブネットワークの分布、及びそれらの異なる脳ネットワークのトポロジー特性を発見し、うつ病患者の脳の病理学的機序の更なる究明及びうつ病の効果的なリアルタイム診断マーカーの発見に技術的サポート及び理論的サポートを提供し、
３、本発明は、うつ病の機能・病理学的機序をさらに説明し、うつ病の診断のための潜在的な神経学的マーカーであり、重要な科学的研究及び臨床的意義がある。

【図面の簡単な説明】

【0014】

【図1】動的・因果的な脳ネットワークモデルに基づくうつ病検出を示す概略図である。

【図2】チャープ音刺激パラダイムを示す概略図である。

【図3】うつ病患者の前期聴性定常状態誘発反応における異常サブネットワークを示す概略図である。

【図4】うつ病患者の中期聴性定常状態誘発反応における異常サブネットワークを示す概略図である。

【図5】うつ病患者の後期聴性定常状態誘発反応における異常サブネットワークを示す概略図である。

【発明を実施するための形態】

【0015】

本発明の目的、技術的手段及び利点をより明確にするため、以下に本発明の実施形態をさらに詳細に説明する。

【実施例0016】

本発明の実施例は、低コスト、非侵襲的、便利なうつ病の検出を実現するために、うつ病患者のｇａｍｍａ周波数帯域でのＥＥＧデータの脳ネットワークの動的特性を記述する動的・因果的な脳ネットワーク結合装置を提案し、技術的流れは、
４０Ｈｚ－Ｏ－ｃｈｉｒｐ音の刺激下の被験者のＥＥＧ信号を収集し、スライディングウィンドウを使用してＥＥＧ信号にウィンドウ処理を施し、各ウィンドウの下で、グレンジャー因果関係とその考え方に基づく偏有向コヒーレンス（Ｐａｒｔｉａｌ ｄｉｒｅｃｔｅｄ ｃｏｈｅｒｅｎｃｅ、ＰＤＣ）アルゴリズムでノードとノード間の因果的結合を計算して、脳ネットワークの動的変化グラフを構築し、次に脳の動的結合のトポロジーパラメータを計算してうつ病患者の脳の動的変化を記述するために用いられた。

【実施例0017】

以下に、具体例を計算式と併せて実施例１内の技術的手段の実現可能性を説明する。

【0018】

動的・因果的な脳ネットワークモデルに基づくうつ病検出装置のフローチャートを図１に示す。まず４０Ｈｚの周波数チャープ（Ｏ－ｃｈｉｒｐ）音によって誘発されたＥＥＧ信号を収集し、元のＥＥＧ信号に基準の変更、フィルタリング、アーティファクト除去などの前処理を施した後、ハミング窓を用いてＥＥＧ信号にウィンドウ処理を施してＰＤＣの大きさを計算し、各時間窓におけるＰＤＣ隣接行列を得、これらの隣接行列に基づいて各時間窓における脳ネットワークのトポロジー特性パラメータを計算し、 ＮＢＳツールで患者群と対照群に対して脳結合の統計的検定を行うことで、うつ病患者の動的・因果的異常な脳結合サブネットワーク特徴を探究し、検出する。検出された異常な脳結合サブネットワーク特徴について特徴の次元削減と融合を実行し、ケンドール（Ｋｅｎｄａｌｌ’ｓ ｔａｕ）の順位相関係数のバリアントで分類能力の弱い特徴を取り除き、サポートベクターマシンを用いて分類モデルを構築し、一つ抜き交差検証法でモデルを検証し、最後にモデルの精度、感度、特異度、及びＲＯＣ曲線を計算して、分類の性能を評価する。

【0019】

１、４０Ｈｚ周波数チャープ音刺激パラダイム
本発明の実施例で使用される音刺激は、持続時間が１ミリ秒、音圧レベルが４５デシベル、周波数が４０Ｈｚのチャープ音である。蝸牛仕切構造に沿った進行波の蝸牛遅延を補償するための音刺激であるチャープ音は、より高い信号対雑音比を有する脳定常状態誘発電位を誘発することができる。１つのブロックは、通常、２８回の試行で構成され、各試行が３秒続き、刺激間隔が１．５秒を設定した。実験過程で被験者は目を開けて集中するように求められた。

【0020】

２、ＥＥＧ信号の収集及び前処理
実験は、米国Ｎｅｕｒｏｓｃａｎ社製のＥＥＧ レコーダーＳＹＮＡＭＰＳを用い、Ｓｃａｎ４．５データ収集システムを用いてＥＥＧ信号を記録・保存し、脳波キャップ電極は国際標準である１０－２０電極配置法（１０－２０法）に従い配置し、電極抵抗が１０ｋΩ未満であった。本発明の実施例は、左耳の乳様突起（Ｍ１）を基準電極（３０個の電極は、それぞれＦＰ１、ＦＰ２、ＦＺ、Ｆ４、Ｆ８、Ｆ３、Ｆ７、ＦＣＺ、ＦＣ４、ＦＴ８、ＦＣ３、ＦＴ７、ＣＺ、Ｃ４、Ｔ８、Ｔ７、Ｃ３、ＴＰ７、ＴＰ８、Ｐ７、ＣＰＺ、ＣＰ４、ＣＰ３、ＰＺ、Ｐ４、Ｐ８、Ｐ３、ＯＺ、Ｏ２とＯ１である）として選択した。サンプリング周波数は、１０００Ｈｚで、チャネルインピーダンスを１０ｋΩ未満に保持した。ＭＡＴＬＡＢ（登録商標）（Ｒ２０２０ａ）内のＥＥＧＬＡＢでＥＥＧ信号に前処理を施した。ＥＥＧＬＡＢは、オープンソースのＭＡＴＬＡＢ（登録商標）に基づくＥＥＧ信号データ処理ツールボックスである。

【0021】

まず、データをバイノーラル参照用（Ｍ１とＭ２）に平均化した。０．１～７０Ｈｚの範囲で信号をバンドパスフィルター処理し、次に独立成分分析（ＩＣＡ）で眼球運動及び呼吸による信号アーティファクトを除去した。アーティファクト除去補助のため、ＥＥＧＬＡＢ内のｉｃｌａｂｅｌツールボックスを使用するため、ユーザーに不要なＩＣＡ成分を自動的にフィルタリングし、事前知識不足によるエラーを減らすように助けることができる。除外基準は「目」、「筋肉」、「心臓」、「ラインノイズ」、及び「チャネルノイズ」のラベル確率＞０．７であった。次に、ＥＥＧデータは、－１０００ｍｓで開始し、３０００ｍｓで終了する刺激に対する２８回の試行に抽出され、最後に範囲 （－１０００ｍｓ，０）内のデータベースラインを除去した。刺激パラダイムは、４０Ｈｚの音刺激であるため、本発明の実施例は、ｇａｍｍａ（３０～５０Ｈｚ）周波数帯域におけるＥＥＧ特性に焦点を当てている。

【0022】

３、動的・因果的な脳結合
本発明の実施例は、偏有向コヒーレンスの一アルゴリズムで脳ネットワークの有向結合を構築した。グレンジャー因果関係とその考え方は、もともと経済学分野で応用され、時系列間の因果関係を明らかにできることから、神経科学分野で広く応用されてきた。 以上が時間領域側面から説明されたグレンジャー因果関係とその考え方であり、グレンジャー因果関係を周波数領域で分解することにより、周波数領域でのグレンジャー因果関係を得ることができる。偏有向コヒーレンス （ＰＤＣ）は、周波数領域のグレンジャー因果関係の典型的なアルゴリズム^［２］である。元のＥＥＧ信号が次の式で示されるＫチャネルの行列であると仮定した。

【0023】

【数4】

（１）
y_iは、ｉ番目のチャネル（ｉ＝１，２，…Ｋ）ＥＥＧデータシーケンスを表す。時間ｎでの｛Ｙ（ｎ）｝は、マルチチャネルＰ次自己回帰（Ａｕｔｏｒｅｇｒｅｓｓｉｖｅ ｍｏｄｅｌ、ＡＲ）モデルに適合させることができる。

【0024】

【数5】

【0025】

式中、A_rは、計算されたＫ＊Ｋの係数行列で、ここで、段階的最小二乗推定法で 係数行列を計算し、Ｓｃｈｗａｒｚのベイジアン基準（Ｓｃｈｗａｒｚ’ｓ Ｂａｙｅｓｉａｎ ｃｒｉｔｅｒｉｏｎ、ＳＢＣ）で多変量自己回帰モデルの遅れ次数pを得た。Ｅ（ｎ）は、現在値と予測値の間の誤差である。次に、係数行列Ａ_ｒを以下のように周波数領域で分解する。

【0026】

【数6】

【0027】

式中、Ｉは、単位行列である。本発明の実施例は、チャネルｉに対するチャネルｊのＰＤＣ値を次の通り定義する。

【0028】

【数7】

【0029】

ＰＤＣ（ｊ→ｉ）は、ｊから流出する全ての情報に対するｊからｉへ流れる情報の割合を表す。簡単に言うと、ＰＤＣ値は、チャネルｉに対するチャネルｊの影響をより多く反映し、自身が他のチャネルに影響を与える割合を占める。ＰＤＣは、正規化された結果を示し、大きさは範囲［０、１］で、ＰＤＣの結果が大きければ大きいほど、２つのリード間のつながりが強くなる。

【0030】

動的脳結合の計算において、本発明の実施例は、ハミング窓を用いて抽出された前処理後のＥＥＧ信号の各セグメントにウィンドウ処理を施し、窓長は０．６秒、ステップサイズは０．１秒であり、すなわち、各窓長０．６秒のＥＥＧ信号の下で多変量自己回帰モデルの係数行列 を計算してから周波数領域で分解し、最終的に各時間窓におけるPDC_30×30行列を得た。ＥＥＧデータセグメントの全持続時間は ３秒であるため、合計２５つの行列を得た。

【0031】

４、脳ネットワークのトポロジー特性パラメータ

【0032】

本発明の実施例は、５つのよくあるグラフ理論メトリックでネットワークの属性を分析した。これらのグラフ理論的指標は、脳連結性ツールボックス（ＢＣＴ）によって計算された。ノードｉに接続された辺の重みを強度Ｗ_ｉと呼ばれる。ノードの強度が高いほど、重要になる。有向グラフにおいて、強度は、流入強度（他のノードからノードに流れる辺の重み）と流出強度（ノードから流出する辺の重み）に分かれる。

【0033】

【数8】

【0034】

クラスタ係数Ｃは、グラフ内のノード間のクラスタ程度を表すために用いられる。ノードｉのクラスタ係数Ｃ_ｉは、ｉの隣接ノード間の既存の辺数を、隣接ノード間の辺の最大可能数で割った値として定義される。全てのノードの平均Ｃ_ｉは、Ｃである。

【0035】

【数9】

式中、P^[1/3]は、｛Ｗ_ｉｊ ^１／３｝と定義され、すなわち、各要素の３乗根を取った行列^［４］であり、k_iはノードｉに接続されたすべての辺の総和と定義される。

【0036】

もう１つのパラメータは、特徴経路長Ｌで、ネットワーク内で情報を伝送する難易度を示すグローバル特徴である。特徴経路長Ｌは通常、全てのノードペア間の最短経路長の平均値と定義される。

【0037】

【数10】

式中、d_ij ^wは、ノードｉとｊの間の重み付き最短経路長である。

【0038】

ただし、Ｌの元の定義は、複数の成分を含むネットワークでは問題があり、接続経路のないノードペアが存在するためである。したがって、Ｌを測定するためのグローバル効率Ｇｅ^［５］と呼ばれる調和平均距離が提案された。Ｇｅはグローバル特徴を記述するために用いられる。ローカル効率Ｌｅは、グラフ内の各ノードの周囲のサブグラフ効率の平均値と定義されローカル特徴を記述するために用いられる。

【0039】

【数11】

【0040】

５、うつ病分類・判別モデルの構築
上記の方法の計算により、使用できる分類特徴は、主に以下の数種類あり、
（1）動的・因果的な脳ネットワーク結合は、各被験者は30×30×25=22500種の特徴を得ることができ、
（２）動的トポロジーパラメータは、前期、中期、後期のクラスタ係数、グローバル効率、特徴経路長、出次数、入次数などを含む。高次元の特徴量は、オーバーフィッティングの問題があるだけでなく、冗長な情報もあるため、特徴量の選択と特徴量の次元削減を行う必要があり、具体的なプロセスは、次の通りである。

【0041】

Ｓｔｅｐ １：ＮＢＳでうつ病患者の脳結合中に存在する異常な部分を判別し、Ｐ次元の特徴を得る。

【0042】

【数12】

式中、Ｎ＝３０で、Ｔは、異常な脳結合がある時間窓の数であり、３０×３０のＰＤＣ行列内にうつ病患者と健常対照群との間で有意差のある要素のみを留保し、残りの要素はいずれも０に設定されていることに留意されたい。

【0043】

Ｓｔｅｐ ２：各時間窓Ｔにおいて、得られたＰ次元の特徴について特徴の次元削減を実行し、ケンドール（Ｋｅｎｄａｌｌ’ｓ ｔａｕ）の順位相関係数で分類能力の弱い特徴を取り除き、相関係数は、次のように定義される。

【0044】

【数13】

式中、n_c、n_d、は、それぞれ一致ペア（ｃｏｎｃｏｒｄａｎｔ ｐａｉｒｓ）と不一致ペア（ｄｉｓｃｏｒｄａｎｔ ｐａｉｒｓ）の数を、ｍとｎはそれぞれ患者と健常者の数を表し、観測されたデータペア｛Ｘ_ｉｊ，Ｙ_ｊ｝と｛Ｘ_ｉｋ，Ｙ_ｋ｝のＸ_ｉｊは、ｊ番目の被験者の脳結合行列内のｉ番目の脳結合固有値、Ｙ_ｊはｊ番目の被験者のカテゴリラベルを指し、この被験者がうつ病患者の場合、Ｙ_ｊ＝１で、この被験者が健常対照群の場合、Ｙ_ｊ＝－１である。ｃｏｎｃｏｒｄａｎｔ ｐａｉｒｓ及びｄｉｓｃｏｒｄａｎｔ ｐａｉｒｓは、それぞれ次のように定義される。

【0045】

【数14】

【0046】

特徴ごとにＫｅｎｄａｌｌ’ｓ ｔａｕ相関係数を計算でき、係数の絶対値を特徴の分類能力とし、絶対値が大きければ大きいほど、この特徴の分類能力が高くなることを示している。

【0047】

Ｓｔｅｐ ３：計算で得られた動的トポロジーパラメータを統計的に解析して、前期、中期、後期の有意差のある特性パラメータを得、該特性パラメータとＳｔｅｐ ２で得られた特徴パラメータを融合する。

【0048】

分類特徴について選択、次元削減、融合を行った後、分類モデルのトレーニング及び検定を実施し、サポートベクターマシン（ＳＶＭ）を分類器として使用し、一つ抜き交差検証法でモデル検証を行い、モデルの精度、感度、特異度及びＲＯＣ曲線を計算してモデルの性能を評価する。一つ抜き交差検証法は、毎回１つだけをテストセット、残りをトレーニングセットとして使用し、この方法によって得られる結果がトレーニングの期待値に最も近くなる。