[論文レビュー] A hybrid automated detection of epileptic seizures in EEG based on wavelet and machine learning techniques

Asmaa Hamad, Aboul Ella Hassanien+2 more|arXiv (Cornell University)|Jul 13, 2018

EEG and Brain-Computer Interfaces被引用数 4

ひとこと要約

本研究では、特徴抽出に離散ウェーブレット変換（DWT）を用い、分類にSVMRBF、KNN、ナイーブベイズの3つの機械学習分類器を用いた、ハイブリッド型のEEGベースのてんかん発作検出システムを提案する。SVMRBFを用いることで、正常なEEG信号とてんかん発作のEEG信号を区別する際、100％の正確性を達成し、先行研究を上回る性能を示し、多数のテストケースにおいて高い信頼性を示している。

ABSTRACT

Epilepsy is a neurological condition such that it affects the brain and the nervous system. It is characterized by recurrent seizures, which are physical reactions to sudden, usually brief, excessive electrical discharges in a group of brain cells. Hence, seizure identification has great importance in clinical therapy of epileptic patients. Electroencephalogram (EEG) is one of the main biomarker that can measure voltage fluctuations of the brain and EEG data analysis helps to investigate the patient with epilepsy syndrome as epilepsy leaves their signature in EEG signals. In this paper, the Discrete Wavelet Transform (DWT) is applied to EEG signals to pre-processing, decompose it till the 4th level of decomposition tree.Various features like Entropy, Min, Max, Mean, Median, Standard deviation, Variance, Skewness, Energy and Relative Wave Energy (RWE) were computed in terms of detailed coefficients and the approximation coefficients of the last decomposition level.Then, the extracted features are evaluated by three modern machine-learning classifiers such as Radial Basis Function based Support Vector Machine (SVMRBF), k-Nearest Neighbor (KNN) and Naive Bayes (NB). The experimental results demonstrate that the highest classification accuracy (100\\%) for normal subject data versus epileptic data is obtained by SVMRBF. the corresponding accuracy between normal subject data and epileptic data using KNN and NB is obtained as 99.50\\% and 99\\% for the eyes open and eyes closed conditions, respectively. The similar accuracies, while comparing the interictal and ictal data, are obtained as 99\\%, 97.50\\% and 98.50\\% using the SVMRBF, KNN and NB classifiers, respectively. These accuracies are quite higher than earlier results published.

研究の動機と目的

• 視覚的解釈に費やす時間が長くなるのを減らすために、EEG信号におけるてんかん発作を自動的かつ正確に効率的に検出する手法を開発すること。
• ウェーブレットに基づく特徴抽出と高度な機械学習モデルを組み合わせることで、分類性能を向上させること。
• SVMRBF、KNN、およびナイーブベイズ分類器が、正常状態、間発作状態、発作状態のEEG状態を区別する能力を評価・比較すること。
• 臨床意思決定を支援できる、堅牢で再現可能なEEGベースの発作検出フレームワークを確立すること。

提案手法

• EEG信号に離散ウェーブレット変換（DWT）を適用し、最大4次の分解レベルまで詳細係数および近似係数を抽出する。
• DWT係数から10の特徴量（エントロピー、最小値、最大値、平均値、中央値、標準偏差、分散、歪度、エネルギー、相対ウェーブレットエネルギー（RWE））を計算する。
• 抽出された特徴量を、径間基底関数に基づくサポートベクターマシン（SVMRBF）、k-近傍法（KNN）、およびナイーブベイズ（NB）の3つの機械学習分類器の入力として使用する。
• 10分割交差検証を用いて分類器を訓練およびテストし、90％のデータを訓練に、10％をテストに使用する。この手順を10回繰り返して統計的信頼性を確保する。
• 正確性、感度、特異度、適合率、F1スコアなどの指標を用いて分類性能を評価する。
• 正常（目を開けた/閉じた状態）、間発作状態、発作状態のEEGデータを比較して、4つのテストケースで手法を検証する。

実験結果

リサーチクエスチョン

• RQ1 DWTに基づく特徴抽出は、てんかん発作検出に適したEEG信号の特徴的パターンを効果的に捉えられるか？
• RQ2 SVMRBF、KNN、およびナイーブベイズ分類器は、正常状態とてんかん発作状態のEEG信号を分類する際に、どのように性能を発揮するか？
• RQ3 提案されたハイブリッドシステムの分類正確性は、さまざまなEEG信号タイプ（例：目を開けた状態、目を閉じた状態、間発作状態、発作状態）においてどのように評価されるか？
• RQ4 ウェーブレット特徴量と機械学習モデルを統合することで、従来の手法と比較して検出正確性が顕著に向上するか？

主な発見

• SVMRBF分類器は、正常EEG（目を開けた状態）とてんかん発作状態のEEG信号を区別する際、100％の正確性、100％の感度および特異度を達成した。
• 目を閉じた状態では、SVMRBFは100％の正確性を維持したが、KNNとナイーブベイズはそれぞれ99.5％および99％の正確性を達成した。
• 間発作状態と発作状態のEEG信号を分類する際、SVMRBFは97％の正確性、KNNは96.5％、ナイーブベイズも96.5％を達成し、すべてのケースで優れた性能を示した。
• 提案手法は、既存の手法を上回り、85.16％（SVM＋PE）、95.2％（ウェーブレット＋ANN）、99.2％（GP＋KNN）といった先行研究の報告値を上回る正確性を示した。
• DWT係数から抽出された相対ウェーブレットエネルギー（RWE）およびその他の統計的特徴量は、EEG信号における発作関連パターンを効果的に捉えるのに非常に有効であった。
• 10分割交差検証の結果、すべてのテストケースで一貫性があり高い性能が得られ、提案フレームワークの堅牢性と一般化能力が確認された。