[論文レビュー] Deep Semantic Architecture with discriminative feature visualization for neuroimage analysis

Arna Ghosh, Fabien Dal Maso+3 more|arXiv (Cornell University)|May 29, 2018

EEG and Brain-Computer Interfaces参考文献 26被引用数 5

ひとこと要約

本稿では、運動タスク中のEEG信号に生じる運動誘発性変化を特定するため、クラス活性マップ（ccCAM）手法に新たなキュー統合を導入した深層畳み込みニューラルネットワークを提案する。時間周波数的および局所的EEGマップを用いて訓練することで、判別性のある時空間的パターンを可視化し、急性運動効果に関連する23–33 Hz帯域の周波数帯と移動性のある皮膚様活動を特定した。これは神経画像法における事前特徴選択の代替となるデータ駆動型手法を提供する。

ABSTRACT

Neuroimaging data analysis often involves \emph{a-priori} selection of data features to study the underlying neural activity. Since this could lead to sub-optimal feature selection and thereby prevent the detection of subtle patterns in neural activity, data-driven methods have recently gained popularity for optimizing neuroimaging data analysis pipelines and thereby, improving our understanding of neural mechanisms. In this context, we developed a deep convolutional architecture that can identify discriminating patterns in neuroimaging data and applied it to electroencephalography (EEG) recordings collected from 25 subjects performing a hand motor task before and after a rest period or a bout of exercise. The deep network was trained to classify subjects into exercise and control groups based on differences in their EEG signals. Subsequently, we developed a novel method termed the cue-combination for Class Activation Map (ccCAM), which enabled us to identify discriminating spatio-temporal features within definite frequency bands (23--33 Hz) and assess the effects of exercise on the brain. Additionally, the proposed architecture allowed the visualization of the differences in the propagation of underlying neural activity across the cortex between the two groups, for the first time in our knowledge. Our results demonstrate the feasibility of using deep network architectures for neuroimaging analysis in different contexts such as, for the identification of robust brain biomarkers to better characterize and potentially treat neurological disorders.

研究の動機と目的

• 神経画像法、特にEEGにおいて、事前特徴選択を回避するデータ駆動型の深層学習フレームワークの構築を目的とする。
• 急性運動効果が運動学習に与える影響に関連する判別性のある時空間的神経パターンを同定することを目的とする。
• 新規の解釈可能性手法を用いて、運動誘発性の脳活動調節の神経メカニズムを可視化することを目的とする。
• 小標本神経画像法研究において、微細で群ごとの特徴を有する神経バイオマーカーを同定可能とすることを目的とする。
• 限られたデータでも解釈可能性を備えた深層学習をEEGに適用する可能性を示すこと

提案手法

• 介入前後（運動／休息）のEEGデータから特徴を抽出するために、二重ストリームCNNアーキテクチャを採用した。
• 被験者固有の特徴ではなく、被験者に依存しないグループ判別特徴を学習するために、被験者予測敵を統合した。
• 階層的訓練を実施：まず時間周波数表現で、その後皮質の局所的マップで訓練した。
• 複数のキュー（例：クラス活性と勾配情報）を統合する新しいccCAM手法を開発し、判別性のある脳領域および周波数帯を可視化した。
• 被験者間の平均化ccCAMを用いて、一貫性のある周波数帯と時空間的伝播パターンを同定した。
• 個々の被験者への過学習を防ぐために正則化子を適用し、小標本データセットにおける汎化性能を向上させた。

実験結果

リサーチクエスチョン

• RQ1 運動タスク中の急性運動によって、EEG信号のどの周波数帯域に顕著な調節が生じるか？
• RQ2 等尺的握力タスク中に、急性運動は皮質全体における神経活動の時空間的ダイナミクスをどのように変化させるか？
• RQ3 解釈可能性のある特徴可視化を備えた深層学習モデルは、従来の事前特徴選択では捉えきれない微細な判別性のある神経パターンを検出可能か？
• RQ4 提案されたccCAM手法は、運動への応答として皮質領域間を伝播する神経活動の伝播をどの程度明確に可視化できるか？
• RQ5 大規模データセットを必要とせず、小標本神経画像法研究においても本モデルは頑健で効果的か？

主な発見

• ccCAMは、運動群と対照群の間で最も判別性の高い周波数帯として23–33 Hz帯域を同定し、ccCAM出力からのp値は0.021であった。
• topographical EEGマップを用いたグループ判別では、分類精度が98.70％（対照群：98.94％、運動群：98.43％）に達した。
• 23–33 Hz帯域におけるccCAMの負の値は、運動後のイベント関連脱同期（ERD）の低下を示し、タスク遂行に要する神経活動の減少を示唆している。
• 本研究では、初の報告として、等尺的握力タスク中にparietal皮質からmotor皮質へと移動する皮質活動の進行パターンをccCAM動画解析によって可視化した。
• ccCAMの結果は先行研究と整合的であったが、従来の広いβ帯（15–29 Hz）とは対照的に、より狭く特異的な周波数帯（23–33 Hz）を同定した。
• 個体に依存する過学習を防ぐ正則化子のおかげで、本モデルは小標本EEG研究においても有効であることが示された。