[論文レビュー] Automated Classification of Seizures against Nonseizures: A Deep Learning Approach

Xinghua Yao, Qiang Cheng+1 more|arXiv (Cornell University)|Jun 5, 2019

EEG and Brain-Computer Interfaces参考文献 27被引用数 21

ひとこと要約

本稿では、独立的再帰ニューラルネットワーク（IndRNN）、密接続構造、およびアテンションメカニズムを統合した深層学習モデル、ADIndRNNを提案する。この手法は、ノイズの多いCHB-MITデータセット上で、88.80%の感受性、88.60%の特異性、88.69%の正確性を達成し、LSTMおよびCNNベースラインより、主な指標で最低4%以上優れている。

ABSTRACT

In current clinical practice, electroencephalograms (EEG) are reviewed and analyzed by well-trained neurologists to provide supports for therapeutic decisions. The way of manual reviewing is labor-intensive and error prone. Automatic and accurate seizure/nonseizure classification methods are needed. One major problem is that the EEG signals for seizure state and nonseizure state exhibit considerable variations. In order to capture essential seizure features, this paper integrates an emerging deep learning model, the independently recurrent neural network (IndRNN), with a dense structure and an attention mechanism to exploit temporal and spatial discriminating features and overcome seizure variabilities. The dense structure is to ensure maximum information flow between layers. The attention mechanism is to capture spatial features. Evaluations are performed in cross-validation experiments over the noisy CHB-MIT data set. The obtained average sensitivity, specificity and precision of 88.80%, 88.60% and 88.69% are better than using 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

• てんかん状態と非てんかん状態におけるEEG信号の高いばらつきに起因する、正確な自動分類の困難さに対処すること。
• 生のEEGデータを直接処理できる深層学習モデルの開発を通じて、時間的ダイナミクスと空間的（チャネル別）特徴を捉えること。
• 勾配消失や深さに伴うスケーラビリティの悪さといった従来のRNNの限界を、スタックされた層を用いたIndRNNにより克服すること。
• 最大限の情報伝達を実現する密接続構造の統合と、てんかんに特徴的な差を示す脳領域を動的に強調するアテンションメカニズムの導入により、特徴表現の向上を図ること。
• 分類性能に与える影響を評価するため、セグメント長の影響を調査し、信頼性の高い検出に適した窓サイズを同定すること。

提案手法

• 提案されたモデル、ADIndRNNは、EEGシーケンス内の長期的時間的依存性をモデル化するため、独立的再帰ニューラルネットワーク（IndRNN）を用いる。
• 密接続構造により、各層がすべての先行層からの特徴マップを受信し、情報伝達を最大化するとともに勾配減衰を軽減する。
• アテンションメカニズムを用いてチャネル固有の重みを学習し、てんかんの特徴を強く示す脳領域を動的に強調する。
• 双方向アーキテクチャを採用することで、シーケンスの過去および未来の文脈を捉え、特徴表現を向上させる。
• 標準的なバックプロパゲーションを用いて損失を最小化するため、CHB-MITデータセット上で交差検証を用いてエンドツーエンドでネットワークを学習する。
• 性能に与える影響を評価するため、13の異なる設定でセグメント長を変化させ、23秒を比較のベースラインとして選定する。

実験結果

リサーチクエスチョン

• RQ1 IndRNN、密接続構造、およびアテンションメカニズムの統合が、標準的なRNNおよびCNNと比較して、てんかん/非てんかん分類の正確性をどのように向上させるか？
• RQ2 EEG分類の最適なセグメント長は何か？ また、その長さが感受性、特異性、正確性に与える影響は？
• RQ3 アテンションメカニズムが、てんかんパターンに応じて異なるEEGチャネルの重要性を動的に重み付けすることで、性能をどの程度向上させるか？
• RQ4 密接続構造は、深層EEGネットワークにおける勾配減衰の低減と特徴学習の向上に効果的に寄与しているか？
• RQ5 LSTMやCNNといった最先端の手法と比較して、提案手法は感受性、特異性、F1スコアの観点からどの程度優れているか？

主な発見

• 提案されたADIndRNNモデルは、ノイズの多いCHB-MITデータセット上で、平均感受性88.80%、特異性88.60%、正確性88.69%を達成し、LSTMおよびCNNベースラインより最低4%以上優れている。
• F1スコアは88.71%に達し、正確性は88.70%に達しており、すべての指標において優れた分類性能を示している。
• セグメント長は分類性能に顕著な影響を及ぼし、13の評価済み長さの間で4%を超える最大の変動幅を示している。
• 12層のIndRNNを備えたモデル（IndRNN-12）は、バランスの取れた性能と過学習リスクの低減を考慮し、セグメント長分析の対象に選ばれた。
• アテンションメカニズムは、直接的な重み学習より優れており、てんかんのタイプや患者固有のパターンに応じてチャネルの重要性を動的に適応させる点で優位性を示している。
• 双方向IndRNN構造はわずかな性能向上をもたらしたが、計算時間の増加を伴うため、本タスクにおいては限定的な利点にとどまっている。