[論文レビュー] Automated Epilepsy Diagnosis Using Interictal Scalp EEG

Forrest Sheng Bao, Jue-Ming Gao+4 more|ArXiv.org|Apr 24, 2009

EEG and Brain-Computer Interfaces参考文献 17被引用数 7

ひとこと要約

本論文では、4096または8192サンプルのセグメントから抽出したパワースペクトル特徴、フラクタル次元、Hjorthパラメータを用い、最適化された確率的ニューラルネットワーク（PNN）と投票アンサンブルを用いて、自動化されたてんかん診断システムを提案する。このシステムは94.07%の正確性を達成し、人間の専門家とほぼ同等の性能を示し、高価な発作間期データ収集の必要性を排除する。

ABSTRACT

Approximately over 50 million people worldwide suffer from epilepsy. Traditional diagnosis of epilepsy relies on tedious visual screening by highly trained clinicians from lengthy EEG recording that contains the presence of seizure (ictal) activities. Nowadays, there are many automatic systems that can recognize seizure-related EEG signals to help the diagnosis. However, it is very costly and inconvenient to obtain long-term EEG data with seizure activities, especially in areas short of medical resources. We demonstrate in this paper that we can use the interictal scalp EEG data, which is much easier to collect than the ictal data, to automatically diagnose whether a person is epileptic. In our automated EEG recognition system, we extract three classes of features from the EEG data and build Probabilistic Neural Networks (PNNs) fed with these features. We optimize the feature extraction parameters and combine these PNNs through a voting mechanism. As a result, our system achieves an impressive 94.07% accuracy, which is very close to reported human recognition accuracy by experienced medical professionals.

研究の動機と目的

• 発作間期EEGデータを必要としない自動てんかん診断システムの開発。発作間期データは収集が困難で高価である。
• 特にリソース制限のある環境において、機械学習を用いた発作間期スカラップEEGの診断可能性を評価すること。
• 特徴抽出パラメータと分類器の統合を最適化し、てんかん性と非てんかん性の発作間期EEGを区別する際の正確性を最大化すること。
• 発作間期EEGはノイズやアーティファクトを含んでも、人間の専門家と同等の高い診断正確性を達成できることを示すこと。

提案手法

• 200 Hzのサンプリングレートで10-20システムを用い、22チャネルで6例のてんかん患者および6例の非てんかん被験者からEEGデータを収集した。
• 特徴抽出と分類のため、4096または8192サンプルのウィンドウにデータをセグメント化した。
• 3つの特徴クラスを抽出した：パワースペクトル特徴（FFTを用い）、フラクタル次元（Higuchi法）、Hjorthパラメータ（活動性、移動性、複雑性）。
• 各特徴セットに対してPNNを訓練し、整合性と正確性を向上させるために投票メカニズムで統合した。
• 特徴抽出パラメータ（セグメント長、フィルタカットオフ周波数（40–66 Hz）、スペクトル帯域/ビン（2–32 Hz、1 Hz；2–34 Hz、2 Hz；2–34.5 Hz、2.5 Hz））は、LOOCV（1人を除いた交差検証）を用いて体系的に最適化した。
• 最終的な分類器は、全チャネルおよび全特徴セットからのPNNを統合し、LOOCVと全体の正確性、感度、特異度を用いて評価した。

実験結果

リサーチクエスチョン

• RQ1 発作間期スカラップEEGデータのみを用いて、自動特徴抽出と分類により、てんかん診断で高い正確性を達成できるか？
• RQ2 パワースペクトル、フラクタル、Hjorth特徴の異なる組み合わせが、てんかん性と非てんかん性EEGの分類性能に与える影響は何か？
• RQ3 特徴抽出パラメータ（セグメント長、フィルタカットオフ周波数、スペクトル帯域/ビン）の最適な設定は何か？正確性を最大化するためのものである。
• RQ4 複数のEEGチャネルおよび特徴タイプで訓練されたPNNの投票アンサンブルは、個々の分類器を上回る性能を示せるか？

主な発見

• 最適な特徴抽出設定（セグメント長8192サンプル、カットオフ周波数56 Hz、スペクトル帯域2–34.5 Hz、2.5 Hzビン）を用いた場合、本システムは分類正確性94.07%を達成した。
• 最高の個別チャネル正確性は、F8で85%（全特徴セット使用時）、CzとOzではそれぞれ82%と82%を記録した。
• PNNの投票アンサンブルにより、全体の正確性が94.07%に向上し、感度83.33%、特異度84.69%を達成した。
• 46 Hzを超えるカットオフ周波数では正確性に顕著な向上がなく、これは限界効果と電力線インターferenceに起因するノイズ増幅の可能性を示唆している。
• 8192サンプルのセグメント長が4096サンプルを上回り、特に高いカットオフ周波数で顕著であった。これは、より長いセグメントが特徴の安定性を向上させることを示している。
• 本システムの正確性94.07%は、報告された人間の専門家の正確性に非常に近く、臨床的潜在能力を裏付けている。