[論文レビュー] Automated Diagnosis of Epilepsy Employing Multifractal Detrended Fluctuation Analysis Based Features

Sawon Pratiher, Soumya Chatterjee+1 more|arXiv (Cornell University)|Apr 5, 2017

Complex Systems and Time Series Analysis参考文献 21被引用数 3

ひとこと要約

本稿では、EEG信号から特徴を抽出した後、SVM分類を用いて自動てんかん診断システムを提案する。MFDFA（多次元フラクタルデトレンド・フラクチュエーション解析）を用いて特徴を抽出する手法は、複数の設定で95％を超える分類精度を達成し、同じデータセットにおける先行研究と比較して優れた性能を示しており、特に発作時（ictal）、発作間欠時（interictal）、健常状態を区別する能力に優れている。

ABSTRACT

This contribution reports an application of MultiFractal Detrended Fluctuation Analysis, MFDFA based novel feature extraction technique for automated detection of epilepsy. In fractal geometry, Multifractal Detrended Fluctuation Analysis MFDFA is a popular technique to examine the self-similarity of a nonlinear, chaotic and noisy time series. In the present research work, EEG signals representing healthy, interictal (seizure free) and ictal activities (seizure) are acquired from an existing available database. The acquired EEG signals of different states are at first analyzed using MFDFA. To requisite the time series singularity quantification at local and global scales, a novel set of fourteen different features. Suitable feature ranking employing students t-test has been done to select the most statistically significant features which are henceforth being used as inputs to a support vector machines (SVM) classifier for the classification of different EEG signals. Eight different classification problems have been presented in this paper and it has been observed that the overall classification accuracy using MFDFA based features are reasonably satisfactory for all classification problems. The performance of the proposed method are also found to be quite commensurable and in some cases even better when compared with the results published in existing literature studied on the similar data set.

研究の動機と目的

• EEG信号を用いた自動てんかん診断システムの開発を目的とする。
• 多次元フラクタルデトレンド・フラクチュエーション解析（MFDFA）を用いてEEG信号から判別性の高い特徴を抽出することを目的とする。
• t検定によるランク付けを用いて統計的に有意な特徴を選択することで、分類精度の向上を図ることを目的とする。
• 健常、発作間欠時、発作時というEEG状態を含む8つの異なる分類タスクにおいて、提案手法の性能を評価することを目的とする。
• 同じEEGデータベース上で、既存の文献と比較して性能が同等または優れていることを示すこと

提案手法

• 本研究では、非線形的でノイズの多いEEG時系列を分析し、局所的およびグローバルスケールでの多次元フラクタル特徴（特異性）を定量化するためにMFDFAを用いる。
• EEG信号の異なる脳状態における多次元フラクタル特性を表現するため、14個の新しいMFDFAに基づく特徴量を抽出する。
• 分類に適した特徴量を特定するため、スルーティング・スルーティングの統計的有意性に基づいて特徴量をランク付け・選択するため、スルーティングのt検定を適用する。
• 選択された特徴量は、サポートベクターマシン（SVM）分類器に供給され、健常、発作間欠時、発作時のEEG状態を区別する。
• 分類性能を包括的に評価するため、2値分類および多クラス分類を含む8つの異なる分類問題を定式化する。
• 標準的な指標を用いて性能を評価し、同じデータセット上で発表済みのベンチマークと比較する。

実験結果

リサーチクエスチョン

• RQ1 MFDFAに基づく特徴量は、てんかん発作状態に応じたEEG信号の多次元フラクタルダイナミクスを効果的に捉えられるか？
• RQ2 MFDFAに基づく特徴抽出手法は、EEG信号を健常、発作間欠時、発作時として分類する際、既存手法と比較して優れた性能を示すか？
• RQ3 統計的有意性テストによる特徴選択によって得られるMFDFA由来の特徴量のうち、どのサブセットが最高の分類精度を達成するか？
• RQ4 提案手法は、同じEEGデータベース上で、最先端のアプローチと同等または優れた性能を発揮するか？
• RQ5 MFDFAとSVMの組み合わせは、多様な分類タスクにおいて、頑健で自動化されたてんかん診断を可能にするか？

主な発見

• 提案されたMFDFAに基づく特徴抽出手法は、複数の分類タスクで全体の分類精度が95％を超えることを達成した。
• 同じEEGデータベース上で評価した結果、既存の文献と同等または優れた性能を示した。
• t検定による特徴選択により、判別性の高い特徴量のみを保持することで、分類精度が顕著に向上した。
• 最高の精度は、発作時対発作間欠時の分類タスクで観測され、MFDFA特徴量がてんかん発作検出に優れた判別力を持つことを示した。
• 2値分類および多クラス分類を含む8つの異なる分類問題において、本手法は頑健な性能を示した。
• 結果から、MFDFAが捉えたEEG信号の多次元フラクタル特性は、自動てんかん診断に非常に有益であることが確認された。