[論文レビュー] A Generalised Seizure Prediction with Convolutional Neural Networks for Intracranial and Scalp Electroencephalogram Data Analysis

Nhan Duy Truong, Anh Duy Nguyen+4 more|arXiv (Cornell University)|Jul 6, 2017

EEG and Brain-Computer Interfaces参考文献 21被引用数 59

ひとこと要約

本論文は、30秒 EEG ウィンドウの Short-Time Fourier Transform 表現を用いた、CNNによる一般化された最小特徴量設計の癲癇発作予測手法を提示する。頭蓋内データと頭皮データの双方に適用可能。

ABSTRACT

Seizure prediction has attracted a growing attention as one of the most challenging predictive data analysis efforts in order to improve the life of patients living with drug-resistant epilepsy and tonic seizures. Many outstanding works have been reporting great results in providing a sensible indirect (warning systems) or direct (interactive neural-stimulation) control over refractory seizures, some of which achieved high performance. However, many works put heavily handcraft feature extraction and/or carefully tailored feature engineering to each patient to achieve very high sensitivity and low false prediction rate for a particular dataset. This limits the benefit of their approaches if a different dataset is used. In this paper we apply Convolutional Neural Networks (CNNs) on different intracranial and scalp electroencephalogram (EEG) datasets and proposed a generalized retrospective and patient-specific seizure prediction method. We use Short-Time Fourier Transform (STFT) on 30-second EEG windows with 50% overlapping to extract information in both frequency and time domains. A standardization step is then applied on STFT components across the whole frequency range to prevent high frequencies features being influenced by those at lower frequencies. A convolutional neural network model is used for both feature extraction and classification to separate preictal segments from interictal ones. The proposed approach achieves sensitivity of 81.4%, 81.2%, 82.3% and false prediction rate (FPR) of 0.06/h, 0.16/h, 0.22/h on Freiburg Hospital intracranial EEG (iEEG) dataset, Children's Hospital of Boston-MIT scalp EEG (sEEG) dataset, and Kaggle American Epilepsy Society Seizure Prediction Challenge's dataset, respectively. Our prediction method is also statistically better than an unspecific random predictor for most of patients in all three datasets.

研究の動機と目的

• 患者ごとの特徴量設計を抑制する、一般化可能な癲癇発作予測手法の動機付け。
• CNNがデータセットを横断してSTFTベースのEEG画像表現から学習できることを示す。
• Freiburg iEEG、CHB-MIT sEEG、Kaggleの癲癇データセットでデータセットを横断した性能を評価する。

提案手法

• 30秒間のEEGウィンドウをSTFTスペクトログラム型行列（周波数×時間）に変換する。
• 特徴抽出と前発作（preictal）対発作間（interictal）セグメントの分類のため、3つの畳み込みブロックを持つ単純なCNNを適用する。
• preictal信号上で30秒ウィンドウをスライドさせて追加サンプルを生成し、学習データをバランス化する。
• 各ブロック間でバッチ正規化、ReLU、最大プーリングを使用し、その後ドロップアウト付きの2つの全結合層を配置する。
• 孤立した偽陽性を減らすため、k-of-nルールで予測を後処理する。
• 各被験者についてleave-one-out交差検証の下、SPH=5分とSOP=30分を用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 患者固有の特徴量設計を用いず、iEEGとsEEGのSTFT EEG表現から識別的特徴をCNNが学習できるか？
• RQ2 同じCNNアーキテクチャと前処理を異なるEEGデータセットに適用した場合の予測性能と誤警報率はどうなるか？
• RQ3 提案手法はデータセットを横断してランダム予測子を上回る統計的に有意な予測を達成するか？

主な発見

• Freiburg iEEGとCHB-MIT sEEGデータセットで感度は約81%、FPRは0.06〜0.22回/時間の範囲。
• Kaggleデータセットは感度75%、FPRは0.21回/時間。
• CNNベースの手法はSTFT入力を用いて頭蓋内・頭皮EEGの両方に一般化でき、最小限の特徴量設計で済む。
• 検証戦略とSPH/SOPの定義が明確に記載され、堅牢なベンチマークが可能。
• 多くの患者/データセットでランダム予測子に対して統計的有意性を示す。