[論文レビュー] A Novel Independent RNN Approach to Classification of Seizures against Non-seizures

Xinghua Yao, Qiang Cheng+1 more|arXiv (Cornell University)|Mar 22, 2019

EEG and Brain-Computer Interfaces参考文献 19被引用数 24

ひとこと要約

本論文は、時間スケールを段階的に拡大する階層的時系列特徴抽出を活用して、EEG信号における自動てんかん発作／非発作分類のための新規独立RNN（IndRNN）ベースの深層学習モデルを提案する。この手法はCHB-MITデータセットで最先端の性能を達成し、LSTMおよびCNNモデルを上回るが、特にセグメント長が分類精度に顕著な影響を及ぼすことが明らかとなり、異なる長さ間で4%を超える変動を示した。

ABSTRACT

In current clinical practices, electroencephalograms (EEG) are reviewed and analyzed by trained neurologists to provide supports for therapeutic decisions. Manual reviews can be laborious and error prone. Automatic and accurate seizure/non-seizure classification methods are desirable. A critical challenge is that seizure morphologies exhibit considerable variabilities. In order to capture essential seizure features, this paper leverages an emerging deep learning model, the independently recurrent neural network (IndRNN), to construct a new approach for the seizure/non-seizure classification. This new approach gradually expands the time scales, thereby extracting temporal and spatial features from the local time duration to the entire record. Evaluations are conducted with cross-validation experiments across subjects over the noisy data of CHB-MIT. Experimental results demonstrate that the proposed approach outperforms the current state-of-the-art methods. In addition, we explore how the segment length affects the classification performance. Thirteen different segment lengths are assessed, showing that the classification performance varies over the segment lengths, and the maximal fluctuating margin is more than 4%. Thus, the segment length is an important factor influencing the classification performance.

研究の動機と目的

• てんかん発作／非発作のEEGセグメントを自動的に分類する深層学習ベースの手法を開発し、神経科医による手動レビューへの依存を低減すること。
• EEG信号内におけるてんかん発作の形態に見られる高い被験者間および被験者内可変性の課題に対処すること。
• セグメント長がてんかん検出における分類性能に与える影響を調査すること。
• 特に長期間のシーケンス処理や消失／爆発勾配の緩和に優れるIndRNNの利点を活用し、より優れた時系列特徴学習を実現すること。

提案手法

• 各層の後にバッチ正規化を適用することで学習の安定化と内部コベリエートシフトの低減を図った、単方向のIndRNNアーキテクチャを採用する。
• 複数のIndRNN層とマックスプーリングを組み合わせることで、局所的からグローバルな信号期間へと段階的に有効な時間スケールを拡大する階層的時系列特徴抽出を実現する。
• マルチチャネルEEG信号から空間特徴を抽出し、チャネル間の特徴を平均プーリングで統合する。
• 最終的な特徴量は、2層の全結合層を経て分類処理され、出力層にはシグモイド活性化関数が使用される。
• ノイズの多いCHB-MITEEGデータセットを対象に、被験者間クロスバリデーションを用いて学習を行い、セグメント長を体系的に変化させる。
• バイディレクショナルIndRNNバージョンも検証されたが、性能向上が限定的で計算コストが高いため、採用を見送った。

実験結果

リサーチクエスチョン

• RQ1 提案されたIndRNNベースの手法は、LSTMやCNNなどの既存の最先端手法と比較して、てんかん発作／非発作のEEGセグメント分類においてどの程度優れているか？
• RQ2 セグメント長の選定が、てんかん／非てんかん分類の性能にどの程度影響を及えるか？
• RQ3 非線形的かつ動的な性質を示すEEG信号において、IndRNNモデルは長距離の時系列相関を効果的に捉えることができるか？
• RQ4 IndRNNによる性能向上は、標準RNNやLSTMと比較して、より深いネットワークや長期間のシーケンス処理が可能になるという特徴に起因するのか？

主な発見

• 提案されたIndRNNベースの手法は、LSTMおよびCNNモデルを上回る優れた性能を達成し、感度、特異度、適合率の各指標で2%以上の向上を示した。
• 異なるセグメント長間で分類性能に4%を超える最大の変動幅が観察され、セグメント長が重要なハイパーパrameterであることが示された。
• 感度、特異度、適合率が最も良好な結果を示したのは、セグメント長が90秒のときであった。
• F1スコアと正答率についても、異なるセグメント長間で3%を超える最大差が観察され、セグメント長がモデルの出力に顕著な影響を及えることがさらに確認された。
• 性能向上が限定的で計算コストが高いため、バイディレクショナルバージョンよりも単方向のIndRNN構成が好ましいとされた。
• 局所的な時間ステップから全EEG記録まで、複数スケールにわたる階層的時系列特徴を効果的に捉えることができ、てんかん検出のロバスト性が向上した。