Probing auditory processing in schizophrenia: an EEG-based deep learning approach

Abstract

O diagnóstico da esquizofrenia apresenta desafios devido à sua natureza complexa e heterogénea, ao relato subjetivo de sintomas, à possível sobreposição com outras condições psiquiátricas, e ao início dos sintomas durante o período desenvolvimental de elevada vulnerabilidade para diferentes tipos de psicopatologia (final da adolescência). A compreensão da percepção auditiva na esquizofrenia é crucial para obter pistas sobre a fisiopatologia, uma vez que alucinações auditivas são sintomas proeminentes. A electroencefalografia (EEG) fornece uma medida direta da atividade elétrica do cérebro, permitindo a investigação de alterações neurais associadas à percepção auditiva em indivíduos com esquizofrenia. A utilização de machine learning, especialmente métodos de deep learning, com dados de EEG tem o potencial de aprender padrões neurais e relações complexas, predição e identificação de biomarcadores em esquizofrenia. Neste estudo, analisamos sinais de EEG de indivíduos saudáveis e de pacientes com esquizofrenia conduzindo uma análise combinada de potenciais evocados (ERP), trial-by-trial e tempo-frequência para investigar alterações no processamento auditivo. Com um tamanho de amostra maior do que em es tudos prévios (n>60), observamos reduções consistentes no componente ERP N100 em esquizofrenia, especialmente em elétrodos fronto-centrais, em consonância com a literatura existente. A análise trial-by trial mostrou respostas N100 e P200 consistentes entre ensaios, mas maior variabilidade nos sinais de pacientes com esquizofrenia. Diferenças significativas nas janelas temporais N100 e P200 enfatizaram ainda mais a robustez desses componentes. A análise de tempo-frequência revelou padrões distintos de sincronia da atividade neural nas oscilações theta e alfa entre os grupos de indivíduos saudáveis e com esquizofrenia, contribuindo para diferentes assinaturas do sinal EEG em resposta a sons simples. Tirando partido do sucesso dos métodos de deep learning e das diferenças robustas observadas nos sinais EEG, desenvolvemos um modelo de classificação binária baseado em single-trials usando uma arquitetura baseada em redes neuronais convolucionais (CNN). O modelo é proposto para a classificação de segmentos de EEG, registados durante uma tarefa auditiva passiva usando a repetição de sons simples. Um estudo ablativo permitiu analisar o efeito do número de elétrodos utilizados, bem como a lateralidade e distribuição da atividade elétrica no escalpe. Os resultados mostram que o modelo proposto é capaz de classificar indivíduos com esquizofrenia e sujeitos saudáveis com uma precisão média de 80% usando apenas 5 elétrodos (Fz, FCz, Cz, CPz e Pz). Este trabalho destaca a relevância dos métodos de deep learning na exploração de possíveis biomar cadores eletrofisiológicos para a esquizofrenia, bem como as potenciais aplicações clínicas dos sistemas de classificação. Além disso, demonstra o potencial transformador da colaboração interdisciplinar entre Psicologia, Psiquiatria e Engenharia Biomédica na revolução do diagnóstico, tratamento e prevenção de doenças mentais como a esquizofrenia.

The diagnosis of schizophrenia poses challenges due to its complex and heterogeneous nature, subjective symptom reporting, possible overlap with other psychiatric conditions, and typical symptom onset in a developmental stage characterized by high vulnerability to distinct types of psychopathology (end of adolescence). Understanding auditory perception in schizophrenia is crucial to get clues about the disorder’s pathophysiology, as auditory hallucinations are prominent symptoms. Electroencephalography (EEG) provides a direct measure of brain electrical activity, allowing investigation of neural abnormalities associated with auditory perception in individuals with schizophrenia. The use of machine learning, especially deep learning methods, with EEG data in schizophrenia research has the potential to unveil intricate neural patterns and relationships, enabling more accurate diagnosis, prediction, and biomarker identification. In this study, we analyzed EEG signals of healthy subjects and schizophrenia patients using combined event-related potentials (ERP), trial-by-trial, and time-frequency analysis to investigate auditory processing alterations. With a sample size larger than in previous studies (n>60), we observed consistent reductions in the N100 ERP component in schizophrenia, particularly over frontal-central electrode sites, aligning with existing literature. Trial-by-trial analysis showed consistent N100 and P200 responses across trials but greater variability in schizophrenia signals. Significant differences in N100 and P200 temporal windows further emphasized the robustness of these event-related components. Time-frequency analysis revealed distinct neural activity synchrony patterns in theta and alpha oscillations between healthy and schizophrenia groups, contributing to different EEG signatures in response to simple sounds. Building upon the remarkable achievements of deep learning-based approaches and the observed robust EEG differences, a single-trial-based binary classification model was developed using a convolutional neural network-based architecture. The model is proposed to perform the classification based on multichannel auditory-related EEG single-trials recorded during a passive listening task of simple sounds. An ablative study allowed us to analyze the effect of the number of electrodes used and the laterality and distribution of the electrical activity over the scalp. Results show that the proposed model is able to classify schizophrenia and healthy subjects with an average accuracy of 80% using only five midline channels (Fz, FCz, Cz, CPz, and Pz). This work highlights the relevance of deep learning methods in exploring potential electrophysiological biomarkers for schizophrenia and the potential clinical applications of such classification systems. Furthermore, it showcases the transformative potential of interdisciplinary collaboration between Psychology, Psychiatry, and Biomedical Engineering in revolutionizing the diagnosis, treatment, and prevention of psychiatric disorders such as schizophrenia.