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

Tese de doutoramento em Psicologia Básica
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.
This work was supported by the Grant SFRH/BD/111083/2015, funded by Fundação para a Ciência
e Tecnologia (FCT) under the Programa Operacional Capital Humano (PO CH) co-funded by Portugal 2020
and European Social Fund.