[論文レビュー] Automatic Identification of Epileptic Seizures from EEG Signals using Sparse Representation-based Classification

Sobhan Sheykhivand, Tohid Yousefi Rezaii+3 more|arXiv (Cornell University)|Oct 18, 2019

EEG and Brain-Computer Interfaces参考文献 29被引用数 4

ひとこと要約

本論文は、自己学習されたEEG辞書を用いたスパース表現ベースの分類（SRC）を用いて、手動による特徴抽出を不要とする完全自動化されたてんかん発作検出システムを提案する。9つのシナリオのうち8つで感度、特異度、正確度が100％を達成し、0 dBのノイズに対しても頑健であることが示され、多様なマルチクラス発作検出設定において最先端の手法を上回っている。

ABSTRACT

Identifying seizure activities in non-stationary electroencephalography (EEG) is a challenging task, since it is time-consuming, burdensome, and dependent on expensive human resources and subject to error and bias. A computerized seizure identification scheme can eradicate the above problems, assist clinicians and benefit epilepsy research. So far, several attempts were made to develop automatic systems to help neurophysiologists accurately identify epileptic seizures. In this research, a fully automated system is presented to automatically detect the various states of the epileptic seizure. The proposed method is based on sparse representation-based classification (SRC) theory and the proposed dictionary learning using electroencephalogram (EEG) signals. Furthermore, the proposed method does not require additional preprocessing and extraction of features which is common in the existing methods. The proposed method reached the sensitivity, specificity and accuracy of 100% in 8 out of 9 scenarios. It is also robust to the measurement noise of level as much as 0 dB. Compared to state-of-the-art algorithms and other common methods, the proposed method outperformed them in terms of sensitivity, specificity and accuracy. Moreover, it includes the most comprehensive scenarios for epileptic seizure detection, including different combinations of 2 to 5 class scenarios. The proposed automatic identification of epileptic seizures method can reduce the burden on medical professionals in analyzing large data through visual inspection as well as in deprived societies suffering from a shortage of functional magnetic resonance imaging (fMRI) equipment and specialized physician.

研究の動機と目的

• 非定常なEEG信号からのてんかん発作検出のための完全自動化され、計算効率の高いシステムの開発。
• 従来の手法で一般的な、時間のかかる手動による特徴抽出および前処理手順に依存しないことの実現。
• 大規模なEEGデータを解釈する神経生理学者の負担を軽減することで、臨床ワークフローの改善。
• 2～5クラスの設定を含む多様で現実的な発作分類シナリオにおいて、検出の正確度と頑健性の向上。
• fMRIや専門職員が不足するリソース制約のある環境におけるてんかん研究および臨床診断を支援すること。

提案手法

• 本手法は、従来の前処理および特徴工学の手順を回避するため、生EEG信号から直接スパース表現ベースの分類（SRC）と自己学習された辞書を用いる。
• 辞書は、異なる発作状態に関連する内在的な信号パターンを捉えるためのスパース符号化フレームワークを用いてEEGデータから学習される。
• 分類は、各テストEEGセグメントを学習済み辞書の原子のスパース線形結合として表現し、表現誤差が最小となるクラスに割り当てる。
• 本手法は信号の振幅変動に対して不変であり、信号対雑音比が低い状況、0 dBまでのノイズ環境でも性能を維持する。
• 一般化を確認するため、2クラス、3クラス、4クラス、5クラスの発作状態検出の複数の構成を評価する。
• 外部の前処理や手作業による特徴量は一切使用せず、SRCフレームワークへの入力は生EEG時系列データのみである。

実験結果

リサーチクエスチョン

• RQ1 完全自動化された発作検出システムは、EEG信号の手動による特徴抽出や前処理に依存せずに高い正確度を達成できるか？
• RQ2 自己学習された辞書を用いた提案手法のスパース表現ベースの分類は、多様なマルチクラス発作検出シナリオ（2～5クラス）においてどのように性能を示すか？
• RQ3 臨床的EEG記録で一般的に見られるノイズレベルに対して、本手法はどの程度の頑健性を示すか？
• RQ4 感度、特異度、正確度の観点から、本手法は最先端のアルゴリズムと比較してどの程度優れているか？
• RQ5 本システムは、臨床医の負担を効果的に軽減し、リソース制約のある環境でのてんかん診断を支援できるか？

主な発見

• 提案手法は、テストした9つのシナリオのうち8つで感度、特異度、正確度が100％を達成し、優れた検出性能を示した。
• 0 dBの測定ノイズ下でも性能が安定しており、信号劣化に対する強い耐性を示した。
• 評価されたすべての構成において、従来の最先端のアルゴリズムを感度、特異度、正確度の観点で上回った。
• 前処理および特徴抽出のステップが存在しないため、計算オーバーヘッドが著しく低減され、自動化度が向上した。
• 複雑な5クラスのシナリオを含む、複数の発作状態分類タスクにスケーラブルかつ汎用的に適用可能である。
• fMRIや専門的神経内科医が不足する地域における臨床的および研究的応用において特に有益である。