[論文レビュー] EpiDeNet: An Energy-Efficient Approach to Seizure Detection for Embedded Systems

Thorir Mar Ingolfsson, Upasana Chakraborty+7 more|arXiv (Cornell University)|Jan 1, 2023

EEG and Brain-Computer Interfaces被引用数 1

ひとこと要約

本稿では、低消費電力埋め込みシステム上でエネルギー効率的でリアルタイムなてんかん発作検出を実現する軽量なディープラーニングモデルEPIDENETを提案する。PEDESITEデータセットを用いた評価では、4つのEEGチャネルのみで92.00%の感受性と1時間あたり1.18件の偽陽性を達成し、GAP9上で1推論あたり0.051 mJのエネルギー消費で、ARMベースのソリューションよりも160倍高いエネルギー効率を実現した。

ABSTRACT

Epilepsy is a prevalent neurological disorder that affects millions of individuals globally, and continuous monitoring coupled with automated seizure detection appears as a necessity for effective patient treatment. To enable long-term care in daily-life conditions, comfortable and smart wearable devices with long battery life are required, which in turn set the demand for resource-constrained and energy-efficient computing solutions. In this context, the development of machine learning algorithms for seizure detection faces the challenge of heavily imbalanced datasets. This paper introduces EpiDeNet, a new lightweight seizure detection network, and Sensitivity-Specificity Weighted Cross-Entropy (SSWCE), a new loss function that incorporates sensitivity and specificity, to address the challenge of heavily unbalanced datasets. The proposed EpiDeNet-SSWCE approach demonstrates the successful detection of 91.16% and 92.00% seizure events on two different datasets (CHB-MIT and PEDESITE, respectively), with only four EEG channels. A three-window majority voting-based smoothing scheme combined with the SSWCE loss achieves 3x reduction of false positives to 1.18 FP/h. EpiDeNet is well suited for implementation on low-power embedded platforms, and we evaluate its performance on two ARM Cortex-based platforms (M4F/M7) and two parallel ultra-low power (PULP) systems (GAP8, GAP9). The most efficient implementation (GAP9) achieves an energy efficiency of 40 GMAC/s/W, with an energy consumption per inference of only 0.051 mJ at high performance (726.46 MMAC/s), outperforming the best ARM Cortex-based solutions by approximately 160x in energy efficiency. The EpiDeNet-SSWCE method demonstrates effective and accurate seizure detection performance on heavily imbalanced datasets, while being suited for implementation on energy-constrained platforms.

研究の動機と目的

• リソース制限のあるウェアラブルEEGデバイス上で、エネルギー効率的で軽量なディープラーニングモデルを用いたリアルタイムてんかん発作検出の開発を目的とする。
• てんかん発作が通常活動に比べて非常にまれであるため、EEGデータセットの著しいクラス不均衡問題に対処することを目的とする。
• 感受性と特異度のトレードオフを最適化し、長期モニタリングにおける誤検出を低減するために感受性を優先することを目的とする。
• GAP8/GAP9やARM Cortex-M MCUなどの超低消費電力埋め込みプラットフォームへのデプロイを可能にし、最小限のエネルギー消費を実現することを目的とする。
• 個人に特化したモデルトレーニングとアーティファクトに配慮した偽陽性低減を用いて、実世界のウェアラブルデプロイメントにおける性能向上を目的とする。

提案手法

• 低遅延・低エネルギー推論を最適化した、わずか4つの入力チャネルを持つコンパクトな1D-CNNベースのニューラルネットワークアーキテクチャであるEPIDENETを提案する。
• 感受性と特異度の両方の指標に基づくクラスウェイトを用いて、トレーニング中に感受性と特異度のバランスを動的に制御する、新規の損失関数SSWCE（感受性-特異度加重交差エントロピー）を導入する。
• 予測の平滑化と偽陽性の低減を図るために、3ウィンドウの多数決方式を採用し、感受性を損なわずに実現する。
• QuantlabおよびTFLiteを用いたトレーニング後量子化により、ARM Cortex-MおよびPULPベースのプラットフォームへのモデル圧縮を実施する。
• GAP8、GAP9、複数のARM Cortex-M4F/M7 MCUにモデルをデプロイし、複数のプラットフォームでエネルギー効率と推論性能を測定する。
• SSWCEのハイパーパrameter（αおよびβ）を被験者ごとに最適化し、感受性を最大化するとともに偽陽性を最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 埋め込みプラットフォーム上で、4つのEEGチャネルのみを用いて、軽量なディープラーニングモデルが高感受性と高特異度を達成できるか？
• RQ2 提案されたSSWCE損失関数は、EEGてんかん発作検出データセットにおける極端なクラス不均衡に対し、どの程度効果的か？
• RQ3 3ウィンドウの多数決方式は、真の発作検出を損なわずに、偽陽性をどの程度低減できるか？
• RQ4 GAP9のような超低消費電力プラットフォームにEPIDENETをデプロイした場合、従来のARM Cortex-M MCUsと比較してエネルギー効率はどの程度向上するか？
• RQ5 SSWCEを用いた被験者に特化したモデル適応により、実世界のウェアラブルデプロイメントにおける検出性能向上と偽陽性低減がどの程度達成できるか？

主な発見

• 3ウィンドウの多数決方式と被験者に特化したSSWCE最適化を適用した後、EPIDENETはPEDESITEデータセットで92.00%の感受性と1時間あたり1.18件の偽陽性を達成した。
• GAP9上で最もエネルギー効率の高い実装は、40.61 GMAC/s/Wのエネルギー効率を達成し、1推論あたり0.051 mJのエネルギー消費で、ARM Cortex-M4F/M7ソリューションよりも約160倍高いエネルギー効率を示した。
• SSWCE損失関数により、被験者ごとに最適化した場合、感受性が3.64%向上し、偽陽性率が1.18 FP/hまで低下した。これは感受性と特異度のバランスの向上を示している。
• 量子化は精度にほとんど影響を与えず、すべてのプラットフォームで感受性と特異度に±0.1%以内の変動しか生じなかった。これにより、圧縮後のモデルの頑健性が確認された。
• GAP9でのデプロイでは、726.46 MMAC/sのスループットと2.84 msの推論時間で、超低消費電力ハードウェア上でリアルタイム動作を実現した。
• 本フレームワークにより、専門家によるレビューの必要性が低減され、関連するEEGエポックのみを自動でフラグ付けできるため、臨床ワークフローにおけるスケーラブルなデータ圧縮が可能になった。