[論文レビュー] High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm

Lorena Qendro, Alexander B. Campbell+2 more|arXiv (Cornell University)|Jul 21, 2021

EEG and Brain-Computer Interfaces被引用数 4

ひとこと要約

本稿では、早期終了パラダイムを活用して不確実性を考慮した1回の順方向伝搬による予測を可能にする、高周波EEGアーティファクト検出のための深層学習フレームワークE4Gを提案する。早期終了を通じて暗黙的なアンサンブルを形成することで、最先端のF1スコア（84％）と適切にキャリブレーションされた不確実性を達成し、モンテカルロドロップアウトと同等の性能を発揮するが、5.2倍の低遅延を実現する。これは、臨床医が関与するシステムに最適である。

ABSTRACT

Electroencephalography (EEG) is crucial for the monitoring and diagnosis of brain disorders. However, EEG signals suffer from perturbations caused by non-cerebral artifacts limiting their efficacy. Current artifact detection pipelines are resource-hungry and rely heavily on hand-crafted features. Moreover, these pipelines are deterministic in nature, making them unable to capture predictive uncertainty. We propose E4G, a deep learning framework for high frequency EEG artifact detection. Our framework exploits the early exit paradigm, building an implicit ensemble of models capable of capturing uncertainty. We evaluate our approach on the Temple University Hospital EEG Artifact Corpus (v2.0) achieving state-of-the-art classification results. In addition, E4G provides well-calibrated uncertainty metrics comparable to sampling techniques like Monte Carlo dropout in just a single forward pass. E4G opens the door to uncertainty-aware artifact detection supporting clinicians-in-the-loop frameworks.

研究の動機と目的

• 手作業で特徴を抽出する手法に依存する決定的でリソースを多く消費するEEGアーティファクト検出パイプラインの限界を解消すること。
• 臨床的信頼性と意思決定の向上を図るため、時間点ごとのアーティファクト検出と予測不確実性の推定を可能にすること。
• モンテカルロドロップアウトのようなサンプリングベースの手法を用いずに不確実性の定量的評価を提供するスケーラブルで効率的な深層学習フレームワークの開発。
• 高不確実性の予測を特定することで、臨床医が関与するシステムを支援すること。

提案手法

• E4Gは深層ニューラルネットワークに早期終了（EE）パラダイムを採用し、複数の途中出口ブランチが異なるネットワーク深さで予測を生成する。
• 各早期終了ブランチは時間点ごとの予測を出力し、暗黙的なアンサンブルモデルを形成することで不確実性の推定が可能になる。
• 全出口ポイントにおける損失の重み付き和を用いてモデルを学習し、早期および後期の予測を優先するための学習可能な重みを導入する。
• 予測不確実性は、出口予測のアンサンブルから計算される予測エントロピーとブライアスコアを用いて定量化される。
• モンテカルロドロップアウトの計算コストを回避するため、単一の順方向伝搬による不確実性推定が可能になる。
• 出口ブランチ間の不一致を分析することで、不確実性に基づいた意思決定を可能にし、アーティファクト境界検出と信頼度の評価を支援する。

実験結果

リサーチクエスチョン

• RQ1 早期終了パラダイムは、サンプリングベースの手法を用いずに不確実性の定量的評価を可能にするEEGアーティファクト検出に効果的に適用可能か？
• RQ2 E4Gの不確実性推定は、モンテカルロドロップアウトと比較してキャリブレーション性および予測性能において優れているか？
• RQ3 E4Gは低遅延を維持しながら最先端のアーティファクト検出性能を達成できるか？
• RQ4 複数の早期終了による予測不確実性は、臨床医が関与するフレームワークにおける意思決定をどのように支援できるか？
• RQ5 早期終了によって形成される暗黙のアンサンブルは、決定的モデルと比較して誤予測に対するロバストネスを向上させるか？

主な発見

• E4GはTUH-A v2.0テストセットで84％の最先端のF1スコアを達成し、バニラベースラインと同等の性能を示した。
• E4Gは予測エントロピー0.45、ブライアスコア0.53という適切にキャリブレーションされた不確実性を提供し、誤った予測においてモンテカルロドロップアウト（0.53および0.55）を上回った。
• E4Gはベースラインと比較して1.1倍の遅延増加にとどまる一方、モンテカルロドロップアウト（5サンプル）は5.2倍の遅延増加を示した。
• 早期終了の予測間の不一致は、アーティファクト境界における不確実性を明らかにし、臨床医によるレビューを目的とした曖昧領域の自動検出を可能にした。
• フレームワークは不確実性を考慮した意思決定を可能にし、精度を損なわず、高不確実性のサンプルを専門家にルーティングできる。
• 早期終了によって形成される暗黙のアンサンブルは解釈可能性とロバストネスをサポートし、将来的なアンサンブル集約戦略に役立つ出口の多様性を提供する。