[論文レビュー] Energy-Efficient Tree-Based EEG Artifact Detection

Thorir Mar Ingolfsson, Andrea Cossettini+2 more|arXiv (Cornell University)|Jan 1, 2022

EEG and Brain-Computer Interfaces被引用数 1

ひとこと要約

本論文は、自動機械学習（TPOT）を用いて最適化され、PULP超低消費電力プラットフォームにデプロイされた、最小限の4チャネルの側頭部EEGセットアップを用いたエネルギー効率の高い木構造ベースのEEGアーティファクト検出システムを提示する。本システムは、1インフェレンスあたり4.71 µJのエネルギー消費と93.95％の精度を達成し、ウェアラブルてんかんモニタリングシステムにおいて、精度およびエネルギー効率の両面で最先端の手法を上回っている。

ABSTRACT

In the context of epilepsy monitoring, EEG artifacts are often mistaken for seizures due to their morphological similarity in both amplitude and frequency, making seizure detection systems susceptible to higher false alarm rates. In this work we present the implementation of an artifact detection algorithm based on a minimal number of EEG channels on a parallel ultra-low-power (PULP) embedded platform. The analyses are based on the TUH EEG Artifact Corpus dataset and focus on the temporal electrodes. First, we extract optimal feature models in the frequency domain using an automated machine learning framework, achieving a 93.95% accuracy, with a 0.838 F1 score for a 4 temporal EEG channel setup. The achieved accuracy levels surpass state-of-the-art by nearly 20%. Then, these algorithms are parallelized and optimized for a PULP platform, achieving a 5.21 times improvement of energy-efficient compared to state-of-the-art low-power implementations of artifact detection frameworks. Combining this model with a low-power seizure detection algorithm would allow for 300h of continuous monitoring on a 300 mAh battery in a wearable form factor and power budget. These results pave the way for implementing affordable, wearable, long-term epilepsy monitoring solutions with low false-positive rates and high sensitivity, meeting both patients' and caregivers' requirements.

研究の動機と目的

• ウェアラブルで長時間のてんかんモニタリングに適した低消費電力かつ高精度なEEGアーティファクト検出システムの開発を目的とする。
• アーティファクトとてんかん発作の形態的類似性に起因する高い誤検出率を是正することを目的とする。
• TUH EEGアーティファクトコーパス上で自動機械学習を用いてアーティファクト検出のパフォーマンスを最適化することを目的とする。
• 実際の超低消費電力埋め込みプラットフォーム（Mr. Wolf）上で検出フレームワークを実装し、エネルギー消費を最小限に抑えること。

提案手法

• 周波数ドメインでの信号前処理に、高速フーリエ変換（FFT）および離散ウェーブレット変換（DWT）を用いた。
• TPOT自動機械学習フレームワークを用いて、2値分類、マルチラベル分類、マルチクラスマルチアウトプット分類の各タスクにおいて最適なアンサンブル木モデルの探索を実施した。
• モデルサイズとメモリフットプリントの削減を目的として、MCCPアルゴリズムを用いたプルーニングを施した決定木アンサンブル（エキストラツリー）を設計した。
• 8コアのMr. Wolf PULPプラットフォーム上で並列実行を最適化し、木の数を8の倍数に合わせて調整した。
• Mr. Wolfチップ上でエネルギー消費を測定し、MMCケースにおいて1インフェレンスあたり200 µs未満の推論時間と4.71 µJのエネルギー消費を達成した。
• 低消費電力のてんかん発作検出モデルと組み合わせることで、300 mAhのバッテリで最大300時間の連続モニタリングを実現した。

実験結果

リサーチクエスチョン

• RQ1 自動機械学習は、最小限のEEGチャネル数でEEGアーティファクト検出に最適な木構造ベースのモデルを特定できるか？
• RQ2 TUH EEGアーティファクトコーパス上で、異なる分類パラダイム（2値分類、マルチラベル、マルチクラスマルチアウトプット）におけるアーティファクト検出の精度はどのように変動するか？
• RQ3 超低消費電力埋め込みプラットフォーム（例：Mr. Wolf）にデプロイされた木構造ベースのアーティファクト検出システムの実現可能なエネルギー効率はどの程度か？
• RQ4 精度を損なわず、モデルのプルーニングと並列処理によって、メモリフットプリントとエネルギー消費をどの程度削減できるか？
• RQ5 提案されたアーティファクト検出システムは、低消費電力のてんかん発作検出システムと統合可能であり、長時間のウェアラブルてんかんモニタリングを可能にするか？

主な発見

• 提案されたシステムは、4チャネルの側頭部EEGセットアップを用いてTUH EEGアーティファクトコーパスで93.95％のテスト精度を達成し、先行研究を約20％上回った。
• マルチクラスマルチアウトプット分類設定ではF1スコアが0.838に達し、報告済みの最高スコアに一致したが、はるかに高い精度を達成した。
• Mr. Wolfプラットフォーム上でのエネルギー消費は、1インフェレンスあたり4.71 µJにまで低減され、既存の低消費電力実装比で5.21倍のエネルギー効率向上を達成した。
• 並列実行を最適化するため、決定木の数を8の倍数に制限することで、モデルサイズを11,000 kBから2,300 kBに削減し、精度の低下をわずか1％に抑えられた。
• 低消費電力のてんかん発作検出アルゴリズムと組み合わせることで、300 mAhのバッテリで最大300時間の連続EEGモニタリングが可能になった。
• MCCPによるプルーニングは、512 kBのL2メモリに収まる範囲でも高い精度（BCケースで92.4％）を維持したことが確認され、最適化された埋め込み実装の堅牢性が裏付けられた。