[論文レビュー] Deep Architectures for Automated Seizure Detection in Scalp EEGs

Meysam Golmohammadi, Saeedeh Ziyabari+4 more|arXiv (Cornell University)|Dec 28, 2017

EEG and Brain-Computer Interfaces参考文献 29被引用数 45

ひとこと要約

本論文は、頭皮EEGにおける自動てんかん発作検出を目的として、畳み込みニューラルネットワーク（CNN）と長短期記憶（LSTM）ネットワークを組み合わせた新規ハイブリッドディープラーニングアーキテクチャを提案する。TUH EEG 発作コロナスを用いて、24時間あたり7件の誤検出という条件下で30%の感受性を達成し、空間的および時間的EEGパターンを効果的にモデル化することで、最先端の性能を示した。また、デューク大学の独立したコロナスにおいても一貫した結果が得られた。

ABSTRACT

Automated seizure detection using clinical electroencephalograms is a challenging machine learning problem because the multichannel signal often has an extremely low signal to noise ratio. Events of interest such as seizures are easily confused with signal artifacts (e.g, eye movements) or benign variants (e.g., slowing). Commercially available systems suffer from unacceptably high false alarm rates. Deep learning algorithms that employ high dimensional models have not previously been effective due to the lack of big data resources. In this paper, we use the TUH EEG Seizure Corpus to evaluate a variety of hybrid deep structures including Convolutional Neural Networks and Long Short-Term Memory Networks. We introduce a novel recurrent convolutional architecture that delivers 30% sensitivity at 7 false alarms per 24 hours. We have also evaluated our system on a held-out evaluation set based on the Duke University Seizure Corpus and demonstrate that performance trends are similar to the TUH EEG Seizure Corpus. This is a significant finding because the Duke corpus was collected with different instrumentation and at different hospitals. Our work shows that deep learning architectures that integrate spatial and temporal contexts are critical to achieving state of the art performance and will enable a new generation of clinically-acceptable technology.

研究の動機と目的

• 頭皮EEGにおける信号対雑音比が低いという課題に対処し、自動てんかん発作検出を容易にする。
• 既存の商業的システムの主な制限要因である、臨床的EEGモニタリングにおける誤検出率の低減。
• 空間的（CNN）および時間的（LSTM）モデリングを統合したディープラーニングアーキテクチャを評価し、検出性能の向上を図る。
• デューク大学てんかんコロナスを用いて、異なるデータ収集環境におけるモデルの一般化性能を検証する。
• 大規模EEGデータを用いて、臨床的に受け入れ可能な自動てんかん発作検出システムを開発する。

提案手法

• 著者らは、複数のEEG電極からの時系列信号を横断的に処理する1次元畳み込み層を用いて空間的特徴を抽出し、双方向LSTM層を用いて時間的依存性をモデル化するハイブリッドディープアーキテクチャを設計した。
• モデルは、多チャンネル頭皮EEG記録からなる大規模データセットであるTUH EEG 発作コロナス上でエンドツーエンドに訓練された。
• 空間的特徴抽出は、複数のEEG電極からの時系列信号に1次元畳み込みを適用することで実施された。
• 時間的モデリングは、過去および未来の信号セグメントからの長距離依存性と文脈を捉える双方向LSTMによって達成された。
• 標準的なディープラーニング訓練手順を用い、交差エントロピー損失関数と早期停止法を用いてアーキテクチャを最適化した。
• 性能評価は、保持されたテストセットを用いた標準的な指標（感受性および24時間あたりの誤検出率）を用いて実施された。

実験結果

リサーチクエスチョン

• RQ1 CNNとLSTMを組み合わせたハイブリッドディープラーニングモデルは、信号対雑音比が低い頭皮EEG記録において、てんかん発作を効果的に検出できるか？
• RQ2 提案されたアーキテクチャは、感受性および誤検出率という観点から、臨床的に受け入れ可能な性能を達成するか？
• RQ3 モデルの性能は、異なるEEG収集環境や病院設定においても一般化可能か？
• RQ4 空間的および時間的モデリングコンponentsが、検出精度の向上にどの程度寄与しているか？
• RQ5 大規模EEGコロナスで訓練されたディープラーニングモデルは、従来の信号処理手法に比べ、てんかん発作検出において優れた性能を示せるか？

主な発見

• 提案されたハイブリッドCNN-LSTMアーキテクチャは、TUH EEG 発作コロナスにおいて24時間あたり7件の誤検出という条件下で30%の感受性を達成し、臨床的受容性の観点で顕著な改善を示した。
• モデルは、機器や病院環境の違いがあるにもかかわらず、独立したデューク大学のデータセットに対しても同様の性能傾向を示し、良好な一般化性能を示した。
• 空間的（CNN）および時間的（LSTM）モデリングコンponentsの統合が、最先端の性能を達成するために不可欠であることがわかった。
• EEGデータ収集のばらつきに対してロバストであることが示されたため、実臨床での導入可能性が示唆された。
• 適切に構造化されたディープラーニングモデルは、EEG信号に内在する複雑さとノイズを効果的に処理できることを示した。
• 本研究は、大規模で洗練されたコロナスを用いて訓練された高次元ディープアーキテクチャが、膨大なラベル付きデータがなくてもてんかん発作検出に有効であることを確認した。