さまざまな小児脳波データセットからの発達特徴のテンソル駆動型抽出

目的：子どもの脳の発達における絶え間ない変化は、EEG依存技術に課題をもたらす可能性があります。小児集団の発達の違いを特定するための信号処理方法を進めることは、そのような技術の機能と使いやすさを改善するのに役立つ可能性があります。テンソル分析を通じてEEGデータの多次元構造を活用すると、小児データセットの関連する発達特徴を抽出するためのフレームワークが提供される場合があります。概念実証は、安静時の脳波における潜在的な発達的特徴を特定することにより実証されています。 アプローチ：2段階の制約付き並列係数（PARAFAC）テンソル分解を使用して、3つの小児データセット（[式：テキストを参照]）を分析しました。被験者の年齢は、開発のプロキシ尺度として使用されました。分類を使用して、サポートベクターマシン（SVM）を使用して、PARAFACを特定した機能が被験者の年齢を予測できるかどうかをテストしました。結果は、各データセット内で交差検証されました。分類分析は、T分配された確率的隣接埋め込み（T-SNE）マップを使用した高次元特徴構造の視覚化によって補完されました。 主な結果：各データセットの発達条件について、開発関連の機能が正常に特定されました。SVMの分類により、特定された機能は、健康な集団と障害のある集団の両方で、有意なレベルを上回る偶然で被験者を正確に予測できることが示されました。T-SNEマップは、適切なテンソル因数分解が発達的特徴を抽出する上で重要であることを明らかにしました。 重要性：説明された方法は、小児期のEEG全体で発生する潜在的な発達的特徴を特定するための有望なツールです。

OBJECTIVE: Constant changes in developing children's brains can pose a challenge in EEG dependant technologies. Advancing signal processing methods to identify developmental differences in paediatric populations could help improve function and usability of such technologies. Taking advantage of the multi-dimensional structure of EEG data through tensor analysis may offer a framework for extracting relevant developmental features of paediatric datasets. A proof of concept is demonstrated through identifying latent developmental features in resting-state EEG. APPROACH: Three paediatric datasets ([Formula: see text]) were analyzed using a two-step constrained parallel factor (PARAFAC) tensor decomposition. Subject age was used as a proxy measure of development. Classification used support vector machines (SVM) to test if PARAFAC identified features could predict subject age. The results were cross-validated within each dataset. Classification analysis was complemented by visualization of the high-dimensional feature structures using t-distributed stochastic neighbour embedding (t-SNE) maps. MAIN RESULTS: Development-related features were successfully identified for the developmental conditions of each dataset. SVM classification showed the identified features could accurately predict subject at a significant level above chance for both healthy and impaired populations. t-SNE maps revealed suitable tensor factorization was key in extracting the developmental features. SIGNIFICANCE: The described methods are a promising tool for identifying latent developmental features occurring throughout childhood EEG.