Abstract Electroencephalography (EEG) has a long history as a clinical tool to study brain function, and its potential to derive biomarkers for various applications is far from exhausted. Machine learning (ML) can guide future innovation by harnessing the wealth of complex EEG signals to isolate relevant brain activity. Yet, ML studies in EEG tend to ignore physiological artifacts, which may cause problems for deriving biomarkers specific to the central nervous system (CNS). We present a framework for conceptualizing machine learning from CNS versus peripheral signals measured with EEG. A common signal representation across the frequency spectrum based on Morlet wavelets allowed us to define traditional brain activity features (e.g. log power) and alternative inputs used by state-of-the-art ML approaches (covariance matrices). Using more than 2600 EEG recordings from large public databases (TUAB, TDBRAIN), we studied the impact of peripheral signals and artifact removal techniques on ML models in exemplary age and sex prediction analyses. Across benchmarks, basic artifact rejection improved model performance whereas further removal of peripheral signals using ICA decreased performance. Our analyses revealed that peripheral signals enable age and sex prediction. However, they explained only a fraction of the performance provided by brain signals. We show that brain signals and body signals, both reflected in the EEG, allow for prediction of personal characteristics. While these results may depend on specific prediction problems, our work suggests that great care is needed to separate these signals when the goal is to develop CNS-specific biomarkers using ML.

BackgroundElectroencephalography (EEG) has a long history as a clinical tool to study brain function, and its potential to derive biomarkers for various applications is far from exhausted. Machine learning (ML) can guide future innovation by harnessing the wealth of complex EEG signals to isolate relevant brain activity. Yet, ML studies in EEG tend to ignore physiological artefacts, which may cause problems for deriving biomarkers specific to the central nervous system (CNS).MethodsWe present a framework for conceptualising machine learning from CNS versus peripheral signals measured with EEG. A signal representation based on Morlet wavelets allowed us to define traditional brain activity features (e.g. log power) and alternative inputs used by state-of-the-art ML approaches based on covariance matrices. Using more than 2600 EEG recordings from large public databases (TUAB, TDBRAIN), we studied the impact of peripheral signals and artefact removal techniques on ML models in age and sex prediction analyses.FindingsAcross benchmarks, basic artefact rejection improved model performance, whereas further removal of peripheral signals using ICA decreased performance. Our analyses revealed that peripheral signals enable age and sex prediction. However, they explained only a fraction of the performance provided by brain signals.InterpretationWe show that brain signals and body signals, both present in the EEG, allow for prediction of personal characteristics. While these results may depend on specific applications, our work suggests that great care is needed to separate these signals when the goal is to develop CNS-specific biomarkers using ML.FundingAll authors have been working for F. Hoffmann-La Roche Ltd.

Spectral analysis using wavelets is widely used for identifying biomarkers in EEG signals. At the same time, Riemannian geometry enabled theoretically grounded machine learning models with high performance for predicting biomedical outcomes from multichannel EEG recordings. However, these methods often rely on handcrafted rules and sequential optimization. In contrast, deep learning (DL) offers end-to-end trainable models that achieve state-of-the-art performance on various prediction tasks but lack interpretability and interoperability with established neuroscience concepts. We introduce GREEN (Gabor Riemann EEGNet), a lightweight neural network that integrates wavelet transforms and Riemannian geometry for processing raw EEG data. Benchmarking on five prediction tasks (age, sex, eyes-closed detection, dementia diagnosis, EEG pathology) across three datasets (TUAB, CAUEEG, TDBRAIN) with over 5000 participants, GREEN outperformed non-deep state-of-the-art models and performed favorably against large DL models on the CAU benchmark using orders of magnitude fewer parameters. Computational experiments showed that GREEN facilitates learning sparse representations without compromising performance. The modularity of GREEN allows for the computation of classical measures of phase synchrony, such as pairwise phase-locking values, which are found to convey information for dementia diagnosis. The learned wavelets can be interpreted as bandpass filters, enhancing explainability. We illustrate this with the Berger effect, demonstrating the modulation of 8-10 Hz power when closing the eyes. By integrating domain knowledge, GREEN achieves a desirable complexity-performance trade-off and learns interpretable EEG representations. The source code is publicly available.