[論文レビュー] A Hierarchical Dirichlet Process Model with Multiple Levels of Clustering for Human EEG Seizure Modeling

Drausin Wulsin, Shane T. Jensen+1 more|arXiv (Cornell University)|Jun 18, 2012

Bayesian Methods and Mixture Models参考文献 8被引用数 11

ひとこと要約

本論文は、複数のチャネル、てんかん発作タイプ、患者タイプの観点から同時に人間の頭内EEG（iEEG）データをクラスタリングできる、新しい多段階クラスタリングモデル、Multi-Level Clustering Hierarchical Dirichlet Process（MLC-HDP）を提案する。このモデルは、多チャネル発作記録内の階層的構造を効果的に捉え、専門医によるグループ化と同等のクラスタリング性能を達成し、てんかん研究分野で、患者内および患者間の発作を同時にクラスタリング可能な初めての手法を実現した。

ABSTRACT

Driven by the multi-level structure of human intracranial electroencephalogram (iEEG) recordings of epileptic seizures, we introduce a new variant of a hierarchical Dirichlet Process---the multi-level clustering hierarchical Dirichlet Process (MLC-HDP)---that simultaneously clusters datasets on multiple levels. Our seizure dataset contains brain activity recorded in typically more than a hundred individual channels for each seizure of each patient. The MLC-HDP model clusters over channels-types, seizure-types, and patient-types simultaneously. We describe this model and its implementation in detail. We also present the results of a simulation study comparing the MLC-HDP to a similar model, the Nested Dirichlet Process and finally demonstrate the MLC-HDP's use in modeling seizures across multiple patients. We find the MLC-HDP's clustering to be comparable to independent human physician clusterings. To our knowledge, the MLC-HDP model is the first in the epilepsy literature capable of clustering seizures within and between patients.

研究の動機と目的

• てんかん発作中の、複雑で多段階的な構造を有する人間の頭内EEG（iEEG）記録をモデル化する課題に対処すること。
• チャネル、発作タイプ、患者タイプという複数の階層的レベルで同時にデータをクラスタリングできる統計的モデルを開発すること。
• 事前にクラスタ数を指定せずに、真のクラスタ数に適応可能な柔軟な非パrametricベイジアンモデルを構築すること。
• 患者内および患者間の発作を統合的に分析できることで、発作の特徴化および分類を向上させること。

提案手法

• 標準的な階層的ディリクレ過程（HDP）を複数の段階のクラスタリングに拡張した、非パrametricベイジアンモデルであるMulti-Level Clustering Hierarchical Dirichlet Process（MLC-HDP）を提案する。
• 各患者の発作を発作タイプレベルでクラスタリングし、全患者を対象に患者レベルでのクラスタリングを実施する階層的構造でiEEGデータをモデル化する。
• 各レベルでクラスタ数が未知で、かつ無限に及ぶ可能性があることを許容するため、ネストされたスティック・ブレイキング過程を採用し、クラスタ数に関する事前の仮定なしに柔軟なクラスタリングを実現する。
• 中国レストラン・フランチャイズ（CRF）の比喩を用いて、患者と発作をまたがる共同クラスタリングを表現し、各発作内のチャネルをサブクラスタとして扱う。
• 後方推論のためのギブスサンプリングアルゴリズムを実装し、クラスタ割り当ておよびモデルパラメータの効率的計算を可能にする。
• シミュレーションスタディを用いて、ネストドディリクレ過程（NDP）と比較して、真のクラスタ構造の回復性能を検証し、優れた性能を示した。

実験結果

リサーチクエスチョン

• RQ1 非パrametricベイジアンモデルは、てんかん発作の多チャネルiEEG記録に内在する多段階クラスタ構造を効果的に捉えることができるか？
• RQ2 シミュレーションデータにおいて、MLC-HDPモデルはネストドディリクレ過程（NDP）と比較して、真のクラスタ構造の回復性能に優れているか？
• RQ3 MLC-HDPモデルによる実際のiEEGデータのクラスタリングは、専門医による発作タイプのグループ化とどの程度一致するか？
• RQ4 事前にクラスタ数を指定せずに、チャネル、発作タイプ、患者という複数の段階で同時に発作をクラスタリングできるか？
• RQ5 モデルは非パrametricかつデータ駆動のアプローチで、患者をまたいで一般化し、共通の発作パターンを特定する能力があるか？

主な発見

• MLC-HDPモデルは、独立した専門医によるクラスタリングと同等の性能を示し、臨床的妥当性および解釈可能性を裏付けた。
• シミュレーションスタディにおいて、MLC-HDPはネストドディリクレ過程（NDP）を上回り、特に複雑で多段階的なデータ構造において真のクラスタ構造の回復性能に優れた。
• モデルは複数の患者にわたる意味のある発作クラスタを効果的に同定し、単一レベルの分析では明らかでなかったiEEG活動の共通パターンを明らかにした。
• MLC-HDPは、各段階でのクラスタ数が未知であるのを効果的に処理し、手動でのチューニングや事前の指定なしにデータ構造に適応した。
• モデルの階層的構造により、患者固有のパターンと患者間の共通パターンの両方を強固に特定でき、個別化されたおよび集団レベルの発作分析の可能性を高めた。
• ギブスサンプリングによる実装により、後方推論が効率的に行えるようになり、大規模なiEEGデータセットへの実世界応用が現実的になった。