Predicting the Outcome of rTMS Depression Therapy using EEG Signals and CNN

Repetitive transcranial magnetic stimulation (rTMS) is a non invasive therapy for Major Depressive Disorder (MDD). In this study, we generate images using two time frequency methods to represent EEG signals: Fourier-Bessel Series Expansion with Euclidean Distance (FBSE-ED) and Discrete Wavelet Transform (DWT). We propose an efficient deep learning classifier to predict the outcome of rTMS depression therapy. In this study, we use a private rTMS databases to train a lightweight custom Convolutional Neural Network (CNN) using 10-fold cross validation strategy in order to avoid any bias in our results. The results show that the FBSE-ED representation achieves the highest classification accuracy of 93.60\%, outperforming traditional time-frequency technique (DWT). In addition, the proposed architecture with FBSE-ED image representation technique outperforms more complex EEG-Specific deep learning models (EEGNet, DeepConvNet, SleepEEGNet) by 3.62-10.72% and pretrained models (Xception, DenseNet201, and MobileNetV2) by 23.03-27.35%. For more experiments, we utilize another private rTMS database as test database to show the robustness of the proposed model. Our results suggest that integrating advanced signal decomposition with deep learning can facilitate early prediction of rTMS treatment response and support more targeted clinical decision-making. The proposed framework is interpretable, computationally efficient, and well-suited for deployment in real-world local psychiatric clinics.

한 줄 요약

rTMS 치료 반응 예측을 위해 FBSE-ED 기반 EEG 이미지와 커스텀 CNN을 활용한 연구.

핵심 기여도

FBSE-ED 기반 이미지 표현법을 도입하여 rTMS 치료 반응 예측 정확도 93.60% 달성.
커스텀 CNN 모델이 DWT 대비 1.04% 더 높은 정확도를 보임.
기존 EEG 전용 모델(EEGNet, DeepConvNet) 대비 3.62–10.72% 높은 성능, 사전 학습 모델(Xception 등) 대비 23.03–27.35% 개선.
10-fold 교차 검증을 통해 편향 없는 평가 수행.

핵심 아이디어

이 연구는 rTMS 치료 반응 예측을 위해 EEG 신호를 시계열-주파수 영상으로 변환하고, 이를 CNN에 입력하여 분류하는 새로운 접근법을 제안한다. 기존의 DWT 대신, Fourier-Bessel Series Expansion과 Euclidean Distance를 결합한 FBSE-ED 기법을 사용함으로써, 더 높은 차원의 신호 구조를 포착할 수 있다고 판단하였다. 이는 기존의 시간-주파수 변환 기법보다 EEG 신호의 비선형적, 비정상적 특성을 효과적으로 표현할 수 있다는 통찰에 기반한다. CNN은 여러 컨볼루션 레이어, 배치 정규화, 드롭아웃을 포함하며, 복잡한 구조 없이도 높은 성능을 보임.

기술적 접근법

**EEG 신호 변환**: DWT와 FBSE-ED 두 가지 방법으로 시계열-주파수 영상 생성.
**모델 구조**: 커스텀 CNN으로, 여러 컨볼루션 레이어, 배치 정규화, 드롭아웃 포함.
**학습 전략**: 10-fold 교차 검증을 사용하여 편향 최소화.
**평가 지표**: 정확도, F1-score, AUC, 재현율, 정밀도 사용.
**데이터셋**: 두 개의 프라이빗 rTMS 데이터셋 사용 (1개는 테스트용).

주요 결과

**FBSE-ED 기반 모델**: 93.60% 정확도 달성.
**DWT 대비 성능**: 1.04% 더 높은 정확도.
**기존 모델 대비 성능**:
EEGNet: +3.62%
DeepConvNet: +3.62%
Xception: +23.03%
DenseNet201: +27.35%
**테스트 데이터셋**: 92.13% 정확도로, 1.47% 낮은 성능 보임.
**AUC**: 92.99%로, 가장 높은 구분 능력.

의의 및 한계

이 연구는 rTMS 치료 반응 예측을 위한 새로운 신호 변환 기법과 경량 CNN 모델을 제안함으로써, 정신 건강 분야에서의 딥러닝 활용 가능성을 확장한다. 특히, FBSE-ED 기법은 기존의 DWT나 사전 학습 모델보다 높은 성능을 보이며, 신호 분해 기법과 딥러닝의 결합이 임상 예측에 유용함을 입증한다. 그러나 사용된 데이터셋은 프라이빗 데이터로, 일반화 가능성에 대한 추가 검증이 필요하다. 또한, 모델의 해석 가능성과 계산 효율성은 장점이지만, 더 복잡한 다중 모달 데이터 통합은 아직 미비한 점이다.

실용적 활용

이 연구는 정신 건강 클리닉에서 rTMS 치료 전 반응 예측을 위한 도구로 활용될 수 있다. 특히, FBSE-ED 기반 이미지와 경량 CNN 모델은 지역 정신과 병원에서 실시간으로 사용 가능한 형태로 개발 가능하다. 또한, 다른 정신 질환이나 뇌 신경 질환의 EEG 기반 예측에도 확장 적용 가능하다.