REM Behavior Disorder (RBD) is now recognized as the prodromal stage of α-synucleinopathies such as Parkinson's disease (PD). In this paper, we describe deep learning models for diagnosis/prognosis derived from a few minutes of eyes-closed resting electroencephalography data (EEG) collected from idiopathic RBD patients (n=121) and healthy controls (HC, n=91). A few years after the EEG acquisition (4 +/- 2 years), a subset of the RBD patients eventually developed either PD (n=14) or Dementia with Lewy bodies (DLB, n=13), while the rest remained idiopathic. We describe first a simple convolutional neural network (DCNN) with a five-layer architecture combining filtering and pooling, which we train using stacked multi-channel EEG spectrograms. We treat the data as in audio or image classification problems where deep networks have proven highly successful by exploiting compositional and translationally invariant features in the data. For comparison, we study an even simpler deep recurrent neural network using three stacked Long Short Term Memory network (LSTM) cells or gated-recurrent unit (GRU) cells---with very similar results. The performance of these networks typically reaches 80% (+/- 1%) classification accuracy in the balanced HC vs. PD-outcome classification problem. In particular, using data from a single EEG channel we obtain an area under the curve (AUC) of 87% (+/- 1%) while avoiding spectral feature selection. The trained classifier can also be used to generate synthetic spectrograms to study what spectrogram features are relevant for classification, pointing to the presence of theta band bursts and a decrease of power in the alpha band in future PD or DLB patients compared to HCs. We conclude that deep networks may provide a key tool for the analysis of EEG dynamics even from relatively small datasets and enable the delivery of new biomarkers.

Objectives: Idiopathic REM sleep behavior disorder (RBD) is a serious risk factor for neurodegenerative processes such as Parkinson's disease (PD). We investigate the use of EEG algorithmic complexity derived metrics for its prognosis. Methods: We analyzed resting state EEG data collected from 114 idiopathic RBD patients and 83 healthy controls in a longitudinal study forming a cohort in which several RBD patients developed PD or dementia with Lewy bodies. Multichannel data from c. 5 minute recordings was converted to spectrograms and their algorithmic complexity estimated using Lempel-Ziv-Welch compression (LZW). Results: Complexity measures and entropy rate displayed statistically significant differences between groups. Results are compared to those using the ratio of slow to fast frequency power, which they are seen to complement by displaying increased sensitivity even when using a few EEG channels. Conclusions: Poor prognosis in RBD appears to be associated with decreased complexity of EEG spectrograms stemming in part from frequency power imbalances and cross-frequency amplitude coupling. Significance: Algorithmic complexity metrics provide a robust, powerful and complementary way to quantify the dynamics of EEG signals in RBD with links to emerging theories of brain function stemming from algorithmic information theory.

Objective: REM-sleep behavior disorder (RBD) is a prodromal synucleinopathy, as >80% will eventually convert to overt synucleinopathy. We performed an in-depth analysis of the SNCA locus to identify RBD-specific risk variants. Methods: Full sequencing and genotyping of SNCA was performed in isolated/idiopathic RBD (iRBD, n=1,076), Parkinson's disease (PD, n=1,013), and dementia with Lewy bodies (DLB, n=415), and in control subjects (n=6,155). A replication cohort from 23andMe of PD patients with probable RBD (pRBD) was also analyzed (cases n=1,782, controls n=131,250). Adjusted logistic regression models and meta-analyses were performed. Effects on conversion rate were analyzed in 432 RBD patients with available data using Kaplan-Meier survival analysis. Results: A 5'-region SNCA variant (rs10005233) was associated with iRBD (OR=1.43, p=1.1E-08), which was replicated in pRBD. This variant is in linkage disequilibrium (LD) with other 5' risk variants across the different synucleinopathies. An independent iRBD-specific suggestive association (rs11732740) was detected at the 3' of SNCA (OR=1.32, p=4.7E-04, not statistically significant after Bonferroni correction). Homozygous carriers of both iRBD-specific SNPs were at highly increased risk for iRBD (OR=5.74, p=2E-06). The known top PD-associated variant (3' variant rs356182) had an opposite direction of effect in iRBD compared to PD. Interpretation: There is a distinct pattern of association at the SNCA locus in RBD as compared to PD, with an opposite direction of effect at the 3' of SNCA. Several 5' SNCA variants are associated with iRBD and with pRBD in overt synucleinopathies, and may suggest a cognitive component to this region.