Detection of event-related potentials in individual subjects using support vector machines

• DOI: 10.1007/s40708-014-0006-7
• Publication Date: 2014-12-01T18:51:27Z
• Authors: Hossein Parvar; Lauren Sculthorpe...; Jason Satel; Rober Boshra; Ryan C. N. D’Arcy; Thomas P. Trappen...
• Keywords: Event-related potential; Artificial intelligence; Support vector machine; Mismatch negativity; Cognitive Neuroscience; Tone (literature); Neural Mechanisms of Auditory Processing and Perception; Set (abstract data type); Speech recognition; Pattern recognition (psychology); Article; Epilepsy Detection; EEG Analysis; 03 medical and health sciences; 0302 clinical medicine; Cognitive psychology; Psychology; Neuronal Oscillations in Cortical Networks; Radar; Temporal Processing; Interval Timing; Life Sciences; Electroencephalography; Waveform; Audiology; Brain-Computer Interfaces in Neuroscience and Medicine; Computer science; Neural Synchrony; Stimulus (psychology); Programming language; FOS: Psychology; Literature; Telecommunications; Medicine; Art; Neuroscience

Event-related potentials (ERPs) are tiny electrical brain responses in the human electroencephalogram that are typically not detectable until they are isolated by a process of signal averaging. Owing to the extremely smallsize of ERP components (ranging from less than 1 μV to tens of μV), compared to background brain rhythms, statistical analyses of ERPs are predominantly carried out in groups of subjects. This limitation is a barrier to the translation of ERP-based neuroscience to applications such as medical diagnostics. We show here that support vector machines (SVMs) are a useful method to detect ERP components in individual subjects with a small set of electrodes and a small number of trials for a mismatch negativity (MMN) ERP component. Such a reduced experiment setup is important for clinical applications. One hundred healthy individuals were presented with an auditory pattern containing pattern-violating deviants to evoke the MMN. Two-class SVMs were then trained to classify averaged ERP waveforms in response to the standard tone (tones that match the pattern) and deviant tone stimuli (tones that violate the pattern). The influence of kernel type, number of epochs, electrode selection, and temporal window size in the averaged waveform were explored. When using all electrodes, averages of all available epochs, and a temporal window from 0 to 900-ms post-stimulus, a linear SVM achieved 94.5 % accuracy. Further analyses using SVMs trained with narrower, sliding temporal windows confirmed the sensitivity of the SVM to data in the latency range associated with the MMN.<br/>Los potenciales relacionados con eventos (ERP) son pequeñas respuestas eléctricas cerebrales en el electroencefalograma humano que generalmente no son detectables hasta que se aíslan mediante un proceso de promediado de señales. Debido al tamaño extremadamente pequeño de los componentes del ERP (que van desde menos de 1 μV a decenas de μV), en comparación con los ritmos cerebrales de fondo, los análisis estadísticos de los ERP se llevan a cabo predominantemente en grupos de sujetos. Esta limitación es una barrera para la traducción de la neurociencia basada en ERP a aplicaciones como el diagnóstico médico. Mostramos aquí que las máquinas de vectores de soporte (SVM) son un método útil para detectar componentes ERP en sujetos individuales con un pequeño conjunto de electrodos y un pequeño número de ensayos para un componente ERP de negatividad de desajuste (MMN). Una configuración de experimento tan reducida es importante para las aplicaciones clínicas. A cien individuos sanos se les presentó un patrón auditivo que contenía desviaciones que violaban el patrón para evocar el MMN. Las SVM de dos clases se entrenaron para clasificar las formas de onda ERP promediadas en respuesta al tono estándar (tonos que coinciden con el patrón) y los estímulos de tono desviados (tonos que violan el patrón). Se exploró la influencia del tipo de núcleo, el número de épocas, la selección de electrodos y el tamaño de la ventana temporal en la forma de onda promediada. Al utilizar todos los electrodos, los promedios de todas las épocas disponibles y una ventana temporal de 0 a 900 ms después del estímulo, una SVM lineal logró una precisión del 94,5 %. Análisis adicionales utilizando SVM entrenadas con ventanas temporales deslizantes más estrechas confirmaron la sensibilidad de la SVM a los datos en el rango de latencia asociado con la MMN.<br/>Les potentiels liés aux événements (ERP) sont de minuscules réponses électriques du cerveau dans l'électroencéphalogramme humain qui ne sont généralement pas détectables tant qu'elles ne sont pas isolées par un processus de calcul de la moyenne des signaux. En raison de la taille extrêmement petite des composants ERP (allant de moins de 1 μV à des dizaines de μV), par rapport aux rythmes cérébraux de fond, les analyses statistiques des ERP sont principalement effectuées dans des groupes de sujets. Cette limitation est un obstacle à l'application des neurosciences basées sur l'ERP à des applications telles que le diagnostic médical. Nous montrons ici que les machines vectorielles de support (SVM) sont une méthode utile pour détecter les composants ERP chez des sujets individuels avec un petit ensemble d'électrodes et un petit nombre d'essais pour un composant ERP à négativité de mésappariement (MMN). Une telle configuration d'expérience réduite est importante pour les applications cliniques. Cent individus en bonne santé ont été présentés avec un modèle auditif contenant des déviants violant le modèle pour évoquer le MMN. Les SVM de deux classes ont ensuite été formés pour classer les formes d'onde ERP moyennes en réponse à la tonalité standard (tonalités qui correspondent au motif) et aux stimuli de tonalité déviante (tonalités qui violent le motif). L'influence du type de noyau, du nombre d'époques, de la sélection des électrodes et de la taille de la fenêtre temporelle dans la forme d'onde moyenne a été explorée. Lors de l'utilisation de toutes les électrodes, des moyennes de toutes les époques disponibles et d'une fenêtre temporelle de 0 à 900 ms après le stimulus, un SVM linéaire a atteint une précision de 94,5 %. D'autres analyses utilisant des SVM formés avec des fenêtres temporelles plus étroites et glissantes ont confirmé la sensibilité du SVM aux données dans la plage de latence associée au MMN.<br/>الجهود المرتبطة بالأحداث (ERPs) هي استجابات دماغية كهربائية صغيرة في مخطط كهربية الدماغ البشري والتي لا يمكن اكتشافها عادة حتى يتم عزلها من خلال عملية حساب متوسط الإشارة. نظرًا لصغر حجم مكونات تخطيط موارد المؤسسات (التي تتراوح من أقل من 1 ميكرو فولط إلى عشرات الميكرو فولط)، مقارنة بإيقاعات الدماغ الخلفية، يتم إجراء التحليلات الإحصائية لتخطيط موارد المؤسسات في الغالب في مجموعات من الموضوعات. هذا القيد هو عائق أمام ترجمة علم الأعصاب القائم على تخطيط موارد المؤسسات إلى تطبيقات مثل التشخيص الطبي. نوضح هنا أن آلات ناقلات الدعم (SVMs) هي طريقة مفيدة للكشف عن مكونات تخطيط موارد المؤسسات في المواد الفردية مع مجموعة صغيرة من الأقطاب الكهربائية وعدد صغير من التجارب لمكون تخطيط موارد المؤسسات السلبي غير المطابق (MMN). يعد مثل هذا الإعداد المخفض للتجربة مهمًا للتطبيقات السريرية. تم تقديم مائة فرد سليم بنمط سمعي يحتوي على انحرافات منتهكة للنمط لاستحضار MMN. ثم تم تدريب SVMs من فئتين على تصنيف الأشكال الموجية ERP المتوسطة استجابة للنغمة القياسية (النغمات التي تتطابق مع النمط) ومحفزات النغمة المنحرفة (النغمات التي تنتهك النمط). تم استكشاف تأثير نوع النواة وعدد الحقب واختيار القطب وحجم النافذة الزمنية في الشكل الموجي المتوسط. عند استخدام جميع الأقطاب الكهربائية، ومتوسطات جميع العصور المتاحة، ونافذة زمنية من 0 إلى 900 مللي ثانية بعد التحفيز، حققت SVM الخطية دقة 94.5 ٪. أكدت المزيد من التحليلات باستخدام SVMs المدربة بنوافذ زمنية انزلاقية أضيق حساسية SVM للبيانات في نطاق الكمون المرتبط بـ MMN.<br/>