[論文レビュー] A MapReduce-based rotation forest classifier for epileptic seizure prediction

Samed Jukić, Abdülhamit Subaşı|arXiv (Cornell University)|Dec 17, 2017

EEG and Brain-Computer Interfaces参考文献 17被引用数 4

ひとこと要約

本論文は、EEG信号を用いたてんかん発作予測のための、MapReduceベースの分散型回転フォレスト分類器を提案する。MSPCAを用いたノイズ除去、WPDを用いた特徴抽出、クラスタ上で並列学習を実装することで、訓練時間を顕著に短縮しつつも高い分類精度を維持し、ビッグデータ医療応用分野におけるスケーラビリティとパフォーマンスを示している。

ABSTRACT

In this era, big data applications including biomedical are becoming attractive as the data generation and storage is increased in the last years. The big data processing to extract knowledge becomes challenging since the data mining techniques are not adapted to the new requirements. In this study, we analyse the EEG signals for epileptic seizure detection in the big data scenario using Rotation Forest classifier. Specifically, MSPCA is used for denoising, WPD is used for feature extraction and Rotation Forest is used for classification in a MapReduce framework to correctly predict the epileptic seizure. This paper presents a MapReduce-based distributed ensemble algorithm for epileptic seizure prediction and trains a Rotation Forest on each dataset in parallel using a cluster of computers. The results of MapReduce based Rotation Forest show that the proposed framework reduces the training time significantly while accomplishing a high level of performance in classifications.

研究の動機と目的

• ビッグデータ環境下での大規模EEGデータ処理の課題に取り組むこと。
• 分散コンピューティングを用いた発作検出における分類性能と訓練効率を向上させること。
• 生体医療信号解析に特化したスケーラブルで並列処理可能なアンサンブル学習フレームワークを構築すること。
• 信号前処理、特徴抽出、分類を統合化した分散パイプラインに統合すること。

提案手法

• 生EEG信号のノイズ除去のため、MSPCA（修正された特異スペクトル分析）を用いることで信号品質を向上させる。
• 前処理済みEEG信号からの判別特徴抽出のため、ウェーブレットパケット分解（WPD）を採用する。
• 特徴部分空間の回転により複数のベース分類器を構築する、回転フォレストアンサンブル分類器を適用する。
• MapReduceプログラミングモデルを実装し、クラスタ上で回転フォレストの学習を分散処理することで、データセットの並列処理を可能にする。
• データをチャンクに分割し、各チャンクをマップタスクに割り当て、個々の回転フォレストモデルを独立して学習させる。
• リダースフェーズで全マッパーからの結果を集約し、最終的なアンサンブル予測モデルを形成する。

実験結果

リサーチクエスチョン

• RQ1 大規模EEGデータ処理のための分散型MapReduceベースの回転フォレスト分類器は、てんかん発作予測に有効に機能するか？
• RQ2 MSPCAとWPDの統合は、EEG信号解析における特徴の質と判別力にどのように寄与するか？
• RQ3 直列処理と比較して、並列学習は分類精度と訓練時間にどのような影響を及ぼすか？
• RQ4 データ量とクラスタサイズの増加に伴い、提案フレームワークはどの程度スケーリング可能か？
• RQ5 回転フォレストのアンサンブル構造は、発作予測における分類の頑健性と一般化性能にどのように寄与するか？

主な発見

• 提案されたMapReduceベースの回転フォレスト分類器は、直列実装と比較して顕著に訓練時間を短縮し、大規模EEGデータセットの効率的処理を可能にしている。
• フレームワークは高い分類精度を達成しており、発作あり／なしのEEG状態を明確に区別できる強力な性能を示している。
• MSPCAの使用により、EEG信号内のノイズが効果的に低減され、信号対雑音比が向上し、特徴抽出の精度が向上した。
• WPDを用いた特徉抽出は、発作検出に不可欠な時間周波数特性を効果的に捉えている。
• クラスタ上で並列学習が実施されることで、スケーラブルなパフォーマンスが達成され、リアルタイムまたはニアリアルタイムの臨床応用に適している。
• 回転フォレストのアンサンブル構造は、分類結果の一般化性能と頑健性を向上させている。