[論文レビュー] Automated Seizure Detection and Seizure Type Classification From Electroencephalography With a Graph Neural Network and Self-Supervised Pre-Training.

Siyi Tang, Jared Dunnmon+6 more|arXiv (Cornell University)|Apr 16, 2021

EEG and Brain-Computer Interfaces参考文献 62被引用数 5

ひとこと要約

本研究では、電脳波（EEG）信号をグラフとしてモデル化し、畳み込みニューラルネットワーク（CNN）や長短期記憶（LSTM）とは異なり、電極の接続性をより自然に捉える自己教師あり事前学習を備えたグラフニューラルネットワーク（GNN）を提案する。大規模な公開EEGデータセット（5,499ファイル）において、てんかん発作検出でAUROCが6.3ポイント（7.8%）向上し、てんかん発作タイプ分類でF1スコアが6.3ポイント（9.2%）向上するという最先端の性能を達成した。

ABSTRACT

Automated seizure detection and classification from electroencephalography (EEG) can greatly improve the diagnosis and treatment of seizures. While prior studies mainly used convolutional neural networks (CNNs) that assume image-like structure in EEG signals or spectrograms, this modeling choice does not reflect the natural geometry of or connectivity between EEG electrodes. In this study, we propose modeling EEGs as graphs and present a graph neural network for automated seizure detection and classification. In addition, we leverage unlabeled EEG data using a self-supervised pre-training strategy. Our graph model with self-supervised pre-training significantly outperforms previous state-of-the-art CNN and Long Short-Term Memory (LSTM) models by 6.3 points (7.8%) in Area Under the Receiver Operating Characteristic curve (AUROC) for seizure detection and 6.3 points (9.2%) in weighted F1-score for seizure type classification. Ablation studies show that our graph-based modeling approach significantly outperforms existing CNN or LSTM models, and that self-supervision helps further improve the model performance. Moreover, we find that self-supervised pre-training substantially improves model performance on combined tonic seizures, a low-prevalence seizure type. Furthermore, our model interpretability analysis suggests that our model is better at identifying seizure regions compared to an existing CNN. In summary, our graph-based modeling approach integrates domain knowledge about EEG, sets a new state-of-the-art for seizure detection and classification on a large public dataset (5,499 EEG files), and provides better ability to identify seizure regions.

研究の動機と目的

• EEG信号を画像的・順序的データとしてモデル化するCNNやLSTMの限界、すなわち電極の自然な幾何的・接続構造を無視する点を是正するため。
• EEG電極をノードとして明示的に表現し、それらの機能的または解剖学的関係をエッジとして表現するグラフベースの深層学習モデルを開発するため。
• 大量のラベルなしEEGデータを用いた自己教師あり事前学習により、自動てんかん発作検出およびてんかん発作タイプ分類の性能を向上させるため。
• 予測時の重要な電極や領域を特定することで、臨床的関連性のあるてんかん発作開始領域を特定するモデルの解釈可能性を高めるため。

提案手法

• 各電極をノードとし、電極間の関係をエッジとして扱うことで、脳の空間的および機能的接続性を保持するEEG信号のグラフ化。
• EEGグラフ構造からノードおよびグラフレベルの表現を学習するため、グラフニューラルネットワーク（GNN）を適用し、局所的およびグローバルなパターンを捉える。
• マスクされた自己符号化を用いて、ラベルなしEEGデータ上で自己教師あり事前学習を実施し、汎用性の高い表現を学習する戦略を採用。
• 教師あり信号を用いて、てんかん発作検出およびてんかん発作タイプ分類という下流タスクで、事前学習済みGNNを微調整。
• 予測時の重要度を強調するために、グラフアテンション機構を活用し、解釈可能性を向上。
• 標準指標を用いて性能を検証：てんかん発作検出にはAUROC、てんかん発作タイプ分類には加重F1スコアを用いた。

実験結果

リサーチクエスチョン

• RQ1 EEG信号をグラフとしてモデル化することで、CNNおよびLSTMベースの手法と比較して、てんかん発作検出および分類性能が向上するか？
• RQ2 ラベルなしEEGデータに対する自己教師あり事前学習は、とりわけ希少なてんかん発作タイプにおいて、下流タスクの性能をどの程度向上させるか？
• RQ3 グラフベースのモデルは、既存のCNNモデルと比較して、てんかん発作開始領域をよりよく局在化できるか、すなわち解釈可能性が優れているか？
• RQ4 データ不足が課題となる低発生率のてんかん発作タイプ（例：統合てんかん発作）において、本モデルはどのように性能を発揮するか？

主な発見

• 提案された自己教師あり事前学習を施したGNNは、最先端のCNNおよびLSTMモデルと比較して、てんかん発作検出におけるAUROCが6.3ポイント（7.8%）向上した。
• てんかん発作タイプ分類においては、加重F1スコアが6.3ポイント（9.2%）向上し、さまざまなてんかん発作タイプにわたる優れた一般化性能を示した。
• アブレーションスタディの結果、グラフベースのモデリングアプローチはCNNおよびLSTMベースラインを著しく上回り、特に複雑または希少なてんかん発作タイプで顕著な向上が見られた。
• 自己教師あり事前学習は、低発生率のてんかん発作タイプ（統合てんかん発作）においても顕著に性能を向上させ、より高いデータ効率性とロバストネスを示した。
• モデルの解釈可能性分析から、ベースラインのCNNと比較して、GNNは臨床的に関連性のあるてんかん発作領域をよりよく特定していることが判明し、臨床的信頼性と実用性が向上した。
• 大規模な公開EEGデータセット（5,499ファイル）において、本手法は新たな最先端性能を確立し、スケーラビリティと実世界への適用可能性を実証した。