[論文レビュー] EEG-GCNN: Augmenting Electroencephalogram-based Neurological Disease Diagnosis using a Domain-guided Graph Convolutional Neural Network

Neeraj Wagh, Yogatheesan Varatharajah|arXiv (Cornell University)|Nov 17, 2020

EEG and Brain-Computer Interfaces参考文献 22被引用数 41

ひとこと要約

EEG-GCNN は、ドメイン情報を持つ EEG 接続グラフ上のグラフ畳み込みネットワークを用いて、神経疾患を有する患者の“正常な” EEG と健康な EEG を区別し、保持アウトのテストセットで AUC 0.90 を達成し、ベースラインを上回る。

ABSTRACT

This paper presents a novel graph convolutional neural network (GCNN)-based approach for improving the diagnosis of neurological diseases using scalp-electroencephalograms (EEGs). Although EEG is one of the main tests used for neurological-disease diagnosis, the sensitivity of EEG-based expert visual diagnosis remains at $\sim$50\%. This indicates a clear need for advanced methodology to reduce the false negative rate in detecting abnormal scalp-EEGs. In that context, we focus on the problem of distinguishing the abnormal scalp EEGs of patients with neurological diseases, which were originally classified as 'normal' by experts, from the scalp EEGs of healthy individuals. The contributions of this paper are three-fold: 1) we present EEG-GCNN, a novel GCNN model for EEG data that captures both the spatial and functional connectivity between the scalp electrodes, 2) using EEG-GCNN, we perform the first large-scale evaluation of the aforementioned hypothesis, and 3) using two large scalp-EEG databases, we demonstrate that EEG-GCNN significantly outperforms the human baseline and classical machine learning (ML) baselines, with an AUC of 0.90.

研究の動機と目的

• EEG からの神経疾患診断を専門家の視識検査を超えて改善する動機づけ。
• EEG データの空間的および機能的脳接続を符号化する GCNN モデルを提案。
• EEG-GCNN が人間および ML ベースラインを上回ることを示す大規模な評価を実証。
• ドメインに導かれたエッジ重みに基づく完全接続グラフ表現が診断性能を改善することを示す。

提案手法

• 空間的ジオデシック距離とスペクトルコヒーレンスを組み合わせたエッジ重みを用いて、10秒間の EEG ウィンドウを完全連結グラフとして表現。
• Kipf and Welling のスペクトルグラフ畳み込みを適用し、グラフ上で特徴を伝播。
• グローバル平均プーリングによるノード埋め込みを集約してグラフレベル表現を得る。
• グラフ埋め込みをウィンドウレベルの疾患確率へマッピングする全結合ネットワークを使用。
• ウィンドウレベルの予測を最大尤度（ウィンドウ間の平均確率）で被験者レベルの推定に統合。
• Shallow および Deep EEG-GCNN の変種を FCNN および Random Forest ベースラインと比較。

実験結果

リサーチクエスチョン

• RQ1 空間的・機能的 EEG 接続を符号化する GCNN は、 diseased と healthy の EEG の識別を専門家が特定した正常 EEG を超えて改善できるか。
• RQ2 ドメインガイド付きのエッジ重み付きグラフ表現は、二値的または手作業特徴より良い性能を示すか。
• RQ3 この課題において、GCNN の変種は大規模な EEG データセットで従来の ML 手法と比較してどうか。

主な発見

• EEG-GCNN は保持アウトのテストセットで AUC 0.90 を達成し、人間および古典的 ML ベースラインを約10ポイント上回る。
• Shallow EEG-GCNN は Deep EEG-GCNN の性能に近い、両変種で AUC が約 0.90。
• Random Forest は AUC 0.80、FCNN は 0.71 で、グラフベースのアプローチが有意な利得を示す。
• ウィンドウレベルの出力に基づく被験者レベルの予測は、スペクトル特徴のみと比べて識別性を改善。
• 大規模データ（TUAB および MPI LEMON 由来のウィンドウ）で高い性能を示し、ベースラインに対して統計的有意性を示す（Kolmogorov–Smirnov 検定、p<0.05）。
• EEG-GCNN の埋め込みは、スペクトル特徴より t-SNE 可視化でクラス分離性が高いことを示す。