[論文レビュー] Addressing Class Imbalance in Classification Problems of Noisy Signals by using Fourier Transform Surrogates

Justus T. C. Schwabedal, John Snyder+3 more|arXiv (Cornell University)|Jun 20, 2018

EEG and Brain-Computer Interfaces被引用数 19

ひとこと要約

本稿では、ノイズの多いEEG/EOG/EMGデータにおける希少な睡眠段階を対象に、クラス不均衡問題を解消するためのフーリエ変換アンサンブルを提案する。位相ランダム化を用いて統計的に妥当な合成例を生成し、データ拡張に応用することで、睡眠ステージ分類のための畳み込みニューラルネットワークにおいて平均F1スコアを7%向上させた。また、モデルの意思決定を解釈可能なサリエンシーマップの生成を可能にした。

ABSTRACT

Randomizing the Fourier-transform (FT) phases of temporal-spatial data generates surrogates that approximate examples from the data-generating distribution. We propose such FT surrogates as a novel tool to augment and analyze training of neural networks and explore the approach in the example of sleep-stage classification. By computing FT surrogates of raw EEG, EOG, and EMG signals of under-represented sleep stages, we balanced the CAPSLPDB sleep database. We then trained and tested a convolutional neural network for sleep stage classification, and found that our surrogate-based augmentation improved the mean F1-score by 7%. As another application of FT surrogates, we formulated an approach to compute saliency maps for individual sleep epochs. The visualization is based on the response of inferred class probabilities under replacement of short data segments by partial surrogates. To quantify how well the distributions of the surrogates and the original data match, we evaluated a trained classifier on surrogates of correctly classified examples, and summarized these conditional predictions in a confusion matrix. We show how such conditional confusion matrices can qualitatively explain the performance of surrogates in class balancing. The FT-surrogate augmentation approach may improve classification on noisy signals if carefully adapted to the data distribution under analysis.

研究の動機と目的

• 希少な睡眠段階（S1およびS3など）を対象とした、バイオメディカル信号分類におけるクラス不均衡問題に対処すること。
• 過学習を回避しつつ、希少な信号クラスの統計的性質を保持するデータ拡張手法の開発。
• 部分的アンサンブル置換を用いて、モデルの意思決定を駆動する信号特徴を明らかにする解釈可能なサリエンシーマップの作成。
• 条件付き混同行列を用いて、分類器が正しく分類された例のアンサンブル上での性能を分析することにより、アンサンブルの質を評価。
• 低データ環境下において、IAAFTアンサンブルが単純なFTアンサンブルよりも一般化性能に優れているかどうかの検討。

提案手法

• 元の信号の振幅スペクトルを保持しつつ位相成分をランダム化することで、フーリエ変換アンサンブルを生成する。
• CAPSLPDBデータベースにおける未十分に表現された睡眠段階に、これらのアンサンブルを適用し、合成トレーニング例を生成する。
• 拡張されたデータセットを用いて、1次元畳み込みニューラルネットワークを訓練し、睡眠ステージ分類を実行する。
• 短い信号セグメントを部分的アンサンブルで置き換えることでサリエンシーマップを構築し、予測クラス確率の変化を測定する。
• トレーニング済み分類器を正しく分類された例のアンサンブル上でテストし、結果を条件付き混同行列に要約することで、アンサンブルの忠実度を評価する。
• 単純なFTアンサンブルとIAAFT（繰り返し振幅補正フーリエ）アンサンブルを比較し、モデル性能および一般化への影響を評価する。

実験結果

リサーチクエスチョン

• RQ1 フーリエ変換アンサンブルは、不均衡なバイオメディカル信号データセットの拡張に有効であり、深層学習モデルの性能向上に寄与するか？
• RQ2 アンサンブルベースのサリエンシーマップは、分類意思決定において最も影響力を持つ時間的特徴をどのように明らかにするか？
• RQ3 低データ環境下において、IAAFTアンサンブルは標準的なFTアンサンブルよりも一般化性能に優れているか？
• RQ4 アンサンブルベースの条件付き混同行列は、真のデータ分布およびモデルの頑健性をどの程度反映しているか？
• RQ5 部分的アンサンブル置換は、REMとS2を区別する上で重要なK複合波のような一時的特徴を検出できるか？

主な発見

• 提案手法であるアンサンブルベースのデータ拡張により、睡眠ステージ分類において平均F1スコアが7%向上し、不均衡データに対する顕著な性能向上が確認された。
• 部分的アンサンブル置換を用いて生成されたサリエンシーマップは、全体の正解率が低くても、REMとS2を区別する上でK複合波の重要性を的確に強調した。
• アンサンブル上での分類器性能を評価した条件付き混同行列から、IAAFTアンサンブルは単純なアンサンブルよりも高い正答率と低いラベル混合度を示し、分布の忠実度が優れていることが示された。
• この手法により、単純なアンサンブルが局所的特徴（例：一時的アルファ波）を正しく保持できていないことが判明し、誤った視覚的表現や誤解釈の原因となる可能性があることが明らかになった。
• 結果から、標準アンサンブルに比べ、IAAFTアンサンブルは過学習のリスクを低減する可能性があると示唆されたが、その背後にある分布トポロジーは依然として十分に理解されていない。
• 本手法により、一時的イベントに起因する曖昧または誤標識されたエポックを体系的に特定可能となり、睡眠ステージ分類におけるデータ品質向上への道筋が示された。