[論文レビュー] Epileptic Seizure Detection: A Deep Learning Approach

Ramy Hussein, Hamid Palangi+2 more|arXiv (Cornell University)|Mar 27, 2018

EEG and Brain-Computer Interfaces参考文献 64被引用数 61

ひとこと要約

本論文は、LSTMを用いた深層学習パイプラインを提案し、EEGデータを重複しないエポックに分割して高レベルの特徴を学習し、Softmaxで発作を分類する。理想的およびノイズ条件下でBonn EEGデータに対して堅牢な性能を示す。

ABSTRACT

Epilepsy is the second most common brain disorder after migraine. Automatic detection of epileptic seizures can considerably improve the patients' quality of life. Current Electroencephalogram (EEG)-based seizure detection systems encounter many challenges in real-life situations. The EEGs are non-stationary signals and seizure patterns vary across patients and recording sessions. Moreover, EEG data are prone to numerous noise types that negatively affect the detection accuracy of epileptic seizures. To address these challenges, we introduce the use of a deep learning-based approach that automatically learns the discriminative EEG features of epileptic seizures. Specifically, to reveal the correlation between successive data samples, the time-series EEG data are first segmented into a sequence of non-overlapping epochs. Second, Long Short-Term Memory (LSTM) network is used to learn the high-level representations of the normal and the seizure EEG patterns. Third, these representations are fed into Softmax function for training and classification. The results on a well-known benchmark clinical dataset demonstrate the superiority of the proposed approach over the existing state-of-the-art methods. Furthermore, our approach is shown to be robust in noisy and real-life conditions. Compared to current methods that are quite sensitive to noise, the proposed method maintains its high detection performance in the presence of common EEG artifacts (muscle activities and eye-blinking) as well as white noise.

研究の動機と目的

• 患者のQOLを改善するための自動的なEEGベースの発作検出を動機付ける。
• 非定常でアーティファクトが多いEEGデータを扱える頑健な深層学習モデルを開発する。
• セグメント毎のLSTM特徴学習を活用し、その後Softmax分類を行う。
• 理想的およびノイズ条件下でボン大学EEGベンチマークに対する性能を評価する。

提案手法

• 時系列EEGを非重複のセグメントに分割して時間的相関を捉える。
• 100ユニットのLSTM、50ユニットの時系列分布Dense層、および1D平均プーリング層を備えた3層アーキテクチャを使用する。
• クロスエントロピー損失とAdam最適化手法を用いてSoftmax分類器で学習する。
• 頑健性を検証するために、アーティファクト（瞬き、筋活動）とガウシアンホワイトノイズをデータに追加する。
• 評価にはホールドアウトと交差検証の両方の方式を検討する。

実験結果

リサーチクエスチョン

• RQ1 セグメント化されたEEGデータから、LSTMベースのモデルが発作検出の判別的なEEG特徴を学習できるか。
• RQ2 セグメントレベルのLSTM特徴学習は、ボンデータセット上で従来の手法と比較して発作検出精度を改善するか。
• RQ3 提案手法は一般的なEEGアーティファクトやホワイトノイズに対してどの程度頑健か。
• RQ4 ボンデータでの2クラス、3クラス、5クラスのEEG問題に対して、感度、特異度、精度はいくつの分類性能が達成可能か。

主な発見

Method	Year	Classifier	Training/Testing	Sensitivity (%)	Specificity (%)	Accuracy (%)
Proposed Method	2017	Softmax	Hold-out (33.33-66.67%)	100.0	100.0	100.0
Polat et al. [20]	2007	DT	10-folds cross-validation	98.87	98.50	98.68
Proposed Method	2017	Softmax	Leave-one-out CV	100.0	100.0	100.0
Peker et al. [33]	2016	CVANN	Hold-out (60.00-40.00%)	100.0	98.01	99.33
Guo et al. [29]	2010	ANN	Hold-out (50.00-50.00%)	95.50	99.00	98.27

• ボン EEGデータセットで高い検出性能を達成し、いくつかの2クラスおよびホールドアウト設定で100%の精度を達成。
• 筋活動、瞬き、ホワイトノイズなどのアーティファクトに対する頑健性を示し、ノイズ条件下でも高い精度を維持。
• 提案された2クラスの結果は感度100%、特異度100%を示す。
• 理想的条件下で、本法はBonnデータセット上のいくつかの最先端手法よりも優れている。
• EEGセグメンテーション長の分析ではL=1またはL=2が最も精度が良く、精度と効率のバランスのためL=2を選択。