[論文レビュー] A Robust Deep Learning Approach for Automatic Classification of Seizures Against Non-seizures

Xinghong Yao, X. Li+4 more|arXiv (Cornell University)|Dec 17, 2018

EEG and Brain-Computer Interfaces参考文献 28被引用数 8

ひとこと要約

本稿では、EEG信号における自動てんかん/非てんかん分類を向上させるために、双方向LSTM（BiLSTM）ネットワークとチャネル別アテンションメカニズムを組み合わせた新規ディープラーニングモデルを提案する。空間的特徴はアテンション重み付きチャネル寄与によって、時間的ダイナミクスは前向きおよび後向きのシーケンスモデリングによって捉える。ノイズの多いCHB-MIT EEGデータ上で交差検証を実施した結果、感度87.0%、特異度88.6%、適合率88.63%を達成し、変動が小さいという点で最先端手法を上回った。

ABSTRACT

Identifying epileptic seizures through analysis of the electroencephalography (EEG) signal becomes a standard method for the diagnosis of epilepsy. Manual seizure identification on EEG by trained neurologists is time-consuming, labor-intensive and error-prone, and a reliable automatic seizure/non-seizure classification method is needed. One of the challenges in automatic seizure/non-seizure classification is that seizure morphologies exhibit considerable variabilities. In order to capture essential seizure patterns, this paper leverages an attention mechanism and a bidirectional long short-term memory (BiLSTM) to exploit both spatial and temporal discriminating features and overcome seizure variabilities. The attention mechanism is to capture spatial features according to the contributions of different brain regions to seizures. The BiLSTM is to extract discriminating temporal features in the forward and the backward directions. Cross-validation experiments and cross-patient experiments over the noisy data of CHB-MIT are performed to evaluate our proposed approach. The obtained average sensitivity of 87.00%, specificity of 88.60% and precision of 88.63% in cross-validation experiments are higher than using the current state-of-the-art methods, and the standard deviations of our approach are lower. The evaluation results of cross-patient experiments indicate that, our approach has better performance compared with the current state-of-the-art methods and is more robust across patients.

研究の動機と目的

• EEGを用いたてんかん検出において、患者間および患者内でのてんかん形態の高いばらつきに起因する課題に対処すること。
• EEG信号内の空間的（チャネルレベル）および時間的（時系列）特徴を統合的にモデリングすることで、自動てんかん/非てんかん分類を改善すること。
• 患者に依存しないモデルを構築し、個々の患者に対する再トレーニングを必要とせずに、さまざまな被験者に一般化できるようにすること。
• 事前学習モデルや手作業で特徴を設計するのを減らし、エンド・ツー・エンドのディープラーニングにより、生EEGデータから直接特徴を学習すること。

提案手法

• 各チャネルのてんかん検出への寄与度に基づいて、動的に重要度重みを割り当てるために、EEGチャネル全体にアテンション機構を適用する。
• 双方向LSTM（BiLSTM）を用いて、過去および未来の文脈の両方の時間的依存性を捉えるために、前向きおよび後向きの両方向でEEGシーケンスを処理する。
• BiLSTMの出力を、時間ステップごとのパッチに分割し、それぞれを独立して処理して局所的特徴を抽出する。
• 最終的な特徴表現に対してグローバル平均プーリングを適用し、分類用に包括的なセグメントレベルの埋め込みを取得する。
• 事前学習を経ずに、生EEGデータ上でエンド・ツー・エンドに訓練することで、入力信号から直接特徴を学習可能にする。
• アテンション機構は時間ステップ間で共有され、短時間の間は空間的寄与（チャネルの重要度）が安定していると仮定する。

実験結果

リサーチクエスチョン

• RQ1 チャネル別アテンションを備えたBiLSTMは、標準的なLSTMやCNNベースのモデルと比較して、てんかん/非てんかん分類性能を向上させることができるか？
• RQ2 前向きおよび後向きの両方向の時間的依存性をモデリングすることで、EEGにおける多様なてんかんパターンの検出が向上するか？
• RQ3 アテンション機構は、多様な被験者にわたって、てんかん検出に最も有用な脳領域を効果的に同定できるか？
• RQ4 患者間の差が顕著に現れる状況下で、本手法はどの程度の性能を示すか？
• RQ5 事前学習を必要としないことで、事前学習を要するモデルと比較して、より頑健で一般化性能に優れた性能を発揮するか？

主な発見

• 交差検証実験において、ノイズの多いCHB-MIT EEGデータ上で、平均感度87.00%、特異度88.60%、適合率88.63%を達成した。
• 感度の標準偏差0.0363、特異度0.0463、適合率0.0388は、最先端手法と比較して変動が小さいことを示しており、安定性に優れている。
• 患者間実験では、感度83.72%、特異度84.06%、適合率85.36%を達成し、被験者間での一般化性能が優れていることが示された。
• 本手法は[4]の再帰的CNN手法および[34]のREVEALアルゴリズムを上回り、感度61%という顕著な高い値に加え、より高い安定性を示した。
• アテンション機構により、被験者に応じたチャネル重み付けが可能となり、均一なチャネル処理に比べて特徴抽出が向上した。
• 単一チャネルのEEGデータでは性能が著しく低かったことから、信頼性の高いてんかん検出にはマルチチャネル統合の必要性が確認された。