[論文レビュー] EEG Signal Classification using Variational Mode Decomposition

Akshith Ullal, Ram Bilas Pachori|arXiv (Cornell University)|Mar 28, 2020

EEG and Brain-Computer Interfaces参考文献 26被引用数 10

ひとこと要約

本稿では、変動モード分解（VMD）を用いて信号を固有モードに分解し、その後、Renyiエントロピー、2次および4次差分プロット（SODP/FODP）、平均振幅を特徴量抽出することで、てんかん発作状態と発作なし状態を区別する新規なEEG信号分類手法を提案する。バックプロパゲーションを用いた多層パーセプトロンは、最大98.3%の精度を達成し、特徴量順序付けによる統合により、複数のテストシナリオで平均98.2%の精度に向上した。

ABSTRACT

Epilepsy affects about 1% of the population every year, and is characterized by abnormal and sudden hyper-synchronous excitation of the neurons in the brain. The electroencephalogram(EEG) is the most widely used method to record brain signals and diagnose epilepsy and seizure cases. In this paper we use the method of Variational Mode Decomposition (VMD) in our analysis to classify seizure/seizure free signals. This technique uses variational non recursive mode decomposition, in comparison to other methods like Empirical Mode (EMD) and Hilbert-Huang transform which recursively decompose the signals, making them more susceptible to noise and sampling rate. VMD decomposes a signal into its components which are called principal modes. In our analysis, 4 features of the decomposed signals namely Renyi Entropy, second order difference plot (SODP), fourth order difference plot(FODP) and average amplitude are investigated, both individually and using a ranking methodology considering all 4 features at the same time. The SODP of decomposed signal modes is an elliptical structure. The 95% confidence ellipse area measured from the SODP of the decomposed signal modes has been used as a feature in order to discriminate seizure-free EEG signals from the epileptic seizure EEG signal. For the classification, a Multilayer Perceptron(MLP) with back propagation algorithm as the training method was used. A high percentage of accuracy was obtained when the features were used individually for classification and an even higher degree of accuracy was obtained when the ranking methodology was used.

研究の動機と目的

• 従来の分解手法に代えて変動モード分解（VMD）を導入することで、てんかん検出のためのEEG信号分類精度を向上させること。
• EMD やウェーブレット変換などの再帰的手法が抱えるノイズ感受性および数学的厳密性の欠如といった限界を解消すること。
• VMDで分解されたモードから抽出された複数の特徴量（Renyiエントロピー、SODP、FODP、平均振幅）の識別力の検証。
• 個々の特徴量と特徴量順序付け統合戦略を用いた多層パーセプトロン（MLP）分類器の性能評価。
• 訓練・テストセットの繰り返しランダムサンプリングにより、データバイアスを最小限に抑えた、手法の頑健性の検証。

提案手法

• VMDを用いて生EEG信号を、帯域幅と中心周波数が適応的に設定された固有モード関数（IMFs）に分解し、再帰的分解を回避する。
• 各VMDモードから4つの特徴量を抽出：複雑性を評価するRenyiエントロピー、非線形動的特性を評価するSODPおよびFODP、エネルギー変動を評価する平均振幅。
• 各モードのSODPにおける95%信頼楕円面積を、発作時と非発作時の信号間に存在する構造的差を捉える主要な識別特徴量として使用する。
• 個々の特徴量および統合特徴量を用いて、バックプロパゲーションを用いた多層パーセプトロン（MLP）を訓練し、EEG信号を発作または発作なしに分類する。
• 特徴量順序付け統合戦略を採用：3つの特徴量（Renyiエントロピーは性能が低いため除外）が一致する場合、その結果を採用。一致しない場合は過半数による投票を実施。
• 一般化を確保するため、24回のランダムな訓練・テスト分割を実施。各イテレーションで80%のサンプルを訓練に、20%をテストに使用。

実験結果

リサーチクエスチョン

• RQ1 EMD やウェーブレット変換などの従来手法と比較して、VMDに基づく信号分解はEEGを用いたてんかん発作分類の精度を向上させるか？
• RQ2 VMDモードから抽出されたSODPおよびFODP特徴量は、発作時（ictal）と発作なし時（interictal）のEEG信号を区別するのにどの程度有効か？
• RQ3 順序に基づく統合戦略を用いて複数の特徴量を統合することで、個々の特徴量の使用を上回る分類性能が向上するか？
• RQ4 本手法は、異なるデータ分割および非てんかん発作なし信号（例：NおよびFデータセット）の含み方の変化に対しても頑健か？
• RQ5 異常値の影響が顕著に現れる小さなデータセット（例：ボンEEGデータセット）においても、本手法は高い精度を維持できるか？

主な発見

• 平均振幅を個別に特徴量として使用した場合、正常/発作分類で最高の98.3%の精度を達成。Renyiエントロピーも98.3%の精度を示した。
• SODPに基づく95%信頼楕円面積は、正常/発作分類で93.3%の精度を達成。発作/発作なし分類では96.6%、発作/非発作分類では96%の精度を示した。
• FODPは発作/発作なし分類で100%の精度を達成し、この特定のクラスペアに対する強い識別力を持つことが示された。
• 特徴量順序付け統合戦略（Renyiエントロピーを除く）により、全体の精度が正常/発作で98.3%、発作/発作なしで100%、発作/非発作で99%に向上した。
• 24回のランダムな訓練・テストイテレーションにおいて、正常/発作で平均98.2%、発作/発作なしで96.4%、発作/非発作で97.9%の精度が達成され、頑健性が確認された。
• 先行研究（[39]で97.7%、[7]および[8]で94–95%）を上回る性能を示し、小さなボンEEGデータセットの限界にもかかわらず、有望な結果を示した。