[論文レビュー] Epileptic Seizure Classification Using Combined Labels and a Genetic Algorithm

Scot Davidson, Niamh McCallan+5 more|arXiv (Cornell University)|Oct 4, 2021

EEG and Brain-Computer Interfaces参考文献 20被引用数 8

ひとこと要約

本論文は、テンプル大学病院（TUH）てんかんコホートで分類精度を向上させるために、単純部分発作と複雑部分発作を1つの焦点発作ラベルに統合するParallel Genetic Naive Bayes Seizure Classifier（PGNBSC）を提案する。1.8秒のEEGセグメントから得られる13個の固有モード関数（IMF）特徴量から、遺伝的アルゴリズムを用いて特徴選択を最適化することで、85%の精度を達成。ベースラインモデルを著しく上回り、ラベル統合と特徴最適化が多クラスてんかん検出に寄与することを示している。

ABSTRACT

Epilepsy affects 50 million people worldwide and is one of the most common serious neurological disorders. Seizure detection and classification is a valuable tool for diagnosing and maintaining the condition. An automated classification algorithm will allow for accurate diagnosis. Utilising the Temple University Hospital (TUH) Seizure Corpus, six seizure types are compared; absence, complex partial, myoclonic, simple partial, tonic and tonic- clonic models. This study proposes a method that utilises unique features with a novel parallel classifier - Parallel Genetic Naive Bayes (NB) Seizure Classifier (PGNBSC). The PGNBSC algorithm searches through the features and by reclassifying the data each time, the algorithm will create a matrix for optimum search criteria. Ictal states from the EEGs are segmented into 1.8 s windows, where the epochs are then further decomposed into 13 different features from the first intrinsic mode function (IMF). The features are compared using an original NB classifier in the first model. This is improved upon in a second model by using a genetic algorithm (Binary Grey Wolf Optimisation, Option 1) with a NB classifier. The third model uses a combination of the simple partial and complex partial seizures to provide the highest classification accuracy for each of the six seizures amongst the three models (20%, 53%, and 85% for first, second, and third model, respectively).

研究の動機と目的

• 既存データセットにおけるラベルの限定的で不均衡なラベル付けによる多クラスてんかん発作分類の低精度という課題に対処すること。
• 単純部分発作と複雑部分発作を、共通する形態的・臨床的特徴を有する1つの焦点発作症候群カテゴリに統合することで分類性能を向上させること。
• 特徴選択を遺伝的アルゴリズム（バイナリグレイウルフ最適化）を用いて最適化し、EEGデータにおける分類精度を向上させること。
• 6つの異なる発作タイプをサポートする、明確にラベル付けされ、被検者固有のTUHてんかんコホート上で提案手法を評価すること。
• 焦点発作を統合し、並列分類器アーキテクチャを用いることで、全体的なシステムの頑健性と精度が向上することを示すこと。

提案手法

• TUHてんかんコホート（v1.5.2）のEEG信号を1.8秒のウィンドウに分割して分析した。
• 経験的モード分解（EMD）を適用し、最初の固有モード関数（IMF）を抽出し、時間領域および周波数領域の13個の特徴量を抽出した。
• 遺伝的アルゴリズム（バイナリグレイウルフ最適化、オプション1）を用いてF1スコアを最大化する最適な特徴量サブセットを探索することで、並列遺伝的Naive Bayesてんかん分類器（PGNBSC）を開発した。
• システムは最初の2つのモデルで6つの並列Naive Bayes（NB）分類器を、単純部分発作と複雑部分発作のラベルを統合した第3のモデルでは5つの分類器を用いた。
• 標準指標を用いて性能を評価した：正解率、F1スコア、および混同行列（ヒートマップ）を用いて、発作タイプごとの真のラベルと予測ラベルを比較した。
• 遺伝的アルゴリズムは、選択された特徴量サブセットを繰り返し用いてデータを再分類し、分類性能を向上させる最適な特徴量組み合わせの探索を段階的に最適化した。

実験結果

リサーチクエスチョン

• RQ1 単純部分発作と複雑部分発作を1つの焦点発作ラベルに統合することで、TUHてんかんコホートにおける多クラス発作分類精度が向上するか？
• RQ2 特徴選択に遺伝的アルゴリズムを統合することで、多クラスEEGベースのてんかん発作分類システムのF1スコアおよび全体的な正解率にどのような影響を与えるか？
• RQ3 6つの異なる発作タイプにおいて、ラベル統合および遺伝的最適化を施した前後で、並列Naive Bayes分類器の性能を比較するとどうなるか？
• RQ4 1.8秒という小さなEEGウィンドウと最適化された特徴セットを用いることで、より大きなウィンドウや特徴量が不十分に最適化された先行研究と比較して、分類精度がどの程度向上するか？
• RQ5 提案手法は、大麻痺性発作やミオクロニー発作といった重要な発作タイプについて、ベースラインモデルと比較して誤検出および見逃しをどれほど低減するか？

主な発見

• 単純部分発作と複雑部分発作のラベルを1つの焦点発作症候群に統合した第3のモデルが、全体で85%の最高正解率を達成し、第1モデル（20%）および第2モデル（53%）を著しく上回った。
• 第3モデルでは、大麻痺性発作クラスの真正陽性が100%増加し、偽陽性が391%減少した。
• 単純部分発作と複雑部分発作の合算誤検出率および見逃し率は、第3モデルで88%低減されたが、合算真正陽性数はわずか1%低下（4667から4654に）したにとどまった。
• 第2モデルでは、ミオクロニー発作分類が第1モデルと比較して400%向上した。これは、遺伝的最適化が発生頻度が低い発作タイプの検出を著しく向上させることを示している。
• 第2モデルでは、大麻痺性発作が最高のF1スコア（0.96）を記録し、無限性発作はF1スコア0.93を示し、一般化発作タイプにおいて優れた性能を示した。
• CHB-MITデータセットで先行研究が達成した96.79%の正解率に匹敵しないが、より複雑で現実的で、多数のラベルと被検者固有のデータを含む本番データセットにおいて、本手法は優れた多クラス分類性能を発揮している。