[論文レビュー] Brain Signals Analysis Based Deep Learning Methods: Recent advances in the study of non-invasive brain signals

Almabrok Essa, Hari Kotte|arXiv (Cornell University)|Dec 30, 2021

EEG and Brain-Computer Interfaces被引用数 6

ひとこと要約

この論文は、EEG、MEG、fMRIを対象とした非侵襲的脳信号解析における深層学習（DL）の最近の進展をレビューしている。DLモデル、特に畳み込みニューラルネットワーク（CNN）と深層畳み込みニューラルネットワーク（DCNN）が、てんかん発作巣、虚血性ストローク、間発作間欠発作性所見（IEDs）の分類において高い精度（AUC > 0.9）を達成しており、従来の特徴ベースの手法を上回っていることが示された。

ABSTRACT

Brain signals constitute the information that are processed by millions of brain neurons (nerve cells and brain cells). These brain signals can be recorded and analyzed using various of non-invasive techniques such as the Electroencephalograph (EEG), Magneto-encephalograph (MEG) as well as brain-imaging techniques such as Magnetic Resonance Imaging (MRI), Computed Tomography (CT) and others, which will be discussed briefly in this paper. This paper discusses about the currently emerging techniques such as the usage of different Deep Learning (DL) algorithms for the analysis of these brain signals and how these algorithms will be helpful in determining the neurological status of a person by applying the signal decoding strategy.

研究の動機と目的

• EEG、MEG、fMRIなどの非侵襲的脳信号を分析するための最近の深層学習技術を要約すること。
• 特徴抽出および分類のための従来の信号処理手法（例：DWT、WPT）と、現代の深層学習ベースの手法を比較すること。
• 畳み込みニューラルネットワーク（CNN）と深層畳み込みニューラルネットワーク（DCNN）の、てんかん発作巣や虚血性ストロークなどの神経障害の検出における性能を評価すること。
• DLモデルがEEG解釈の自動化と診断精度の向上にどのように臨床的意義を持つのかを示すこと。

提案手法

• 1次元および2次元畳み込みニューラルネットワーク（CNN）を特に用いて、原始的なEEGおよびEOG信号からのエンドツーエンドの特徴抽出と分類を実施。
• 複数のEEGデータセットで訓練されたCNNモデルに、トランスファー学習とデータ拡張戦略を適用し、80％の訓練データと20％の検証データに分割。
• CNNアーキテクチャにおいて、ReLU活性化関数、プーリング層、全結合層を用いて分類性能を向上。
• オクルージョン可視化と尤度ヒートマップを用いてDCNNの意思決定を解釈し、モデルの注目領域が臨床的視診によるIEDの注目領域と一致することを確認。
• AUCやグローバル平均精度といった指標を用いて、DLモデル（1DCNN、DCNN）と古典的手法（SVM、ナイーブベイズ、RBFネットワーク）を比較。
• てんかん検出および虚血性ストローク同定に用いられる実世界のデータセットを用いて5分割交差検証によりモデルを検証。

実験結果

リサーチクエスチョン

• RQ1 CNNやDCNNなどの深層学習モデルは、従来の機械学習手法と比較して、非侵襲的脳信号の分類においてどのように異なるか？
• RQ2 エンドツーエンドの深層学習モデルは、原始的なEEG信号から間発作間欠発作性所見（IEDs）を高精度に検出できるか？
• RQ3 深層学習モデルは、臨床的専門家がてんかん発作巣を同定する視覚的意思決定プロセスをどの程度再現できるか？
• RQ4 1DCNNの性能は、虚血性ストローク患者と健常対照群のEEGおよびEOG信号を区別する際にどの程度高いか？
• RQ5 ハイパーパrameter（例：エポック数、フィルターサイズ）の違いが、脳信号解析における深層学習モデルの分類精度にどのように影響するか？

主な発見

• 特にDCNNを用いた深層学習モデルは、間発作間欠発作性所見（IEDs）の検出においてAUCが0.9を超えることを達成し、優れた診断性能を示した。
• SpikeNetモデルは、全EEG記録をIED陽性またはIED陰性に分類する能力を有し、臨床的専門家と同等の性能を示した。
• 複数のEEGデータセットで訓練されたCNNモデルは、てんかん性対比正常EEG信号の分類において、表4に報告されたように90％を超えるグローバル平均精度を達成した。
• EEG波形レベルのCNNシステムは、表5に報告された高水準のAUCスコアを達成し、出力確率を[0,1]にマップしてEEG波形のスパイク性を示した。
• 1DCNNモデルは、ナイーブベイズや標準ニューラルネットワークといった従来手法を上回り、虚血性ストローク患者と対照群を区別する際のAUCに顕著な向上を示した。
• オクルージョンマッピングなどの可視化技術により、DCNNが臨床的に関連するEEG領域に注目していることが確認され、モデルの解釈可能性と専門家診断との整合性が裏付けられた。