[論文レビュー] Human Intracranial EEG Quantitative Analysis and Automatic Feature Learning for Epileptic Seizure Prediction

Ramy Hussein, Mohamed Osama Ahmed+4 more|arXiv (Cornell University)|Apr 7, 2019

EEG and Brain-Computer Interfaces参考文献 28被引用数 37

ひとこと要約

この論文は、前処理済みのiEEGデータを画像のようなスペクトログラムに変換したCNNベースの発作予測システムを提案し、多スケールCNNがKaggleのiEEGデータセットで最先端手法を上回ることを示している。

ABSTRACT

Objective: The aim of this study is to develop an efficient and reliable epileptic seizure prediction system using intracranial EEG (iEEG) data, especially for people with drug-resistant epilepsy. The prediction procedure should yield accurate results in a fast enough fashion to alert patients of impending seizures. Methods: We quantitatively analyze the human iEEG data to obtain insights into how the human brain behaves before and between epileptic seizures. We then introduce an efficient pre-processing method for reducing the data size and converting the time-series iEEG data into an image-like format that can be used as inputs to convolutional neural networks (CNNs). Further, we propose a seizure prediction algorithm that uses cooperative multi-scale CNNs for automatic feature learning of iEEG data. Results: 1) iEEG channels contain complementary information and excluding individual channels is not advisable to retain the spatial information needed for accurate prediction of epileptic seizures. 2) The traditional PCA is not a reliable method for iEEG data reduction in seizure prediction. 3) Hand-crafted iEEG features may not be suitable for reliable seizure prediction performance as the iEEG data varies between patients and over time for the same patient. 4) Seizure prediction results show that our algorithm outperforms existing methods by achieving an average sensitivity of 87.85% and AUC score of 0.84. Conclusion: Understanding how the human brain behaves before seizure attacks and far from them facilitates better designs of epileptic seizure predictors. Significance: Accurate seizure prediction algorithms can warn patients about the next seizure attack so they could avoid dangerous activities. Medications could then be administered to abort the impending seizure and minimize the risk of injury.

研究の動機と目的

• 発作前および発作間の人間のiEEGデータを定量的に分析し、脳の挙動を理解する。
• CNNの画像のような入力へと時系列iEEGを変換する効率的な前処理パイプラインを開発する。
• 自動的にiEEG特徴を学習する協調的な多スケールCNNアーキテクチャを提案する。
• 薬剤耐性てんかん患者を跨ぐ発作予測性能を実証し、最先端と比較する。

提案手法

• データサイズを抑えつつ有益な低周波成分を保持するためにiEEGクリップを400 Hzから100 Hzへダウンサンプルする。
• トレーニングサンプルを増やすために10分のクリップを1分区間に分割する。
• 短時間フーリエ変換を適用してセグメントごとに16チャネルのSTFTスペクトrogram画像を生成する。
• 1x1、3x3、5x5の畳み込みパスと平行プーリングパスを備えたマルチブランチCNNを使用し、出力をFC層へ結合する。
• Adamオプティマイザ（lr=0.001）を用いた二値交差エントロピーで訓練する。10分クリップごとの最終予測は10個の1分予測の最大で求める。
• 感度（SEN）とAUC指標で評価し、同じKaggle iEEGデータセット上の従来手法と比較する。

実験結果

リサーチクエスチョン

• RQ1 発作間状態と前発作状態は患者をまたいで予測を可能にするほど統計的に十分に異なるか？
• RQ2 PCAは発作予測のためのiEEG次元削減に信頼性があるか、それとも不利になるか？
• RQ3 全iEEGチャネルを用いることとチャネル除外を用いることの発作予測に利点はあるか？
• RQ4 STFTベースのiEEGスペクトログラムからCNNは予測のために有効な局所的および高レベルの特徴を学習できるか？
• RQ5 提案された多スケールCNNはKaggleデータセット上で既存手法と比較してどのように性能を示すか？

主な発見

被験者	Cook et al. 2013	Karoly et al. 2016	Karoly et al. 2017	Kiral-Kornek et al. 2018	Proposed Method (DS-by-4)	Proposed Method (DS-by-2)
被験者1	45.00	56.00	55.00	71.10	82.92	79.65
被験者2	17.00	18.00	45.00	83.10	88.52	91.86
被験者3	39.00	56.00	58.00	77.90	91.84	92.05
平均	33.67	43.34	52.67	77.36	87.76	87.85

• iEEGチャネルは補完的な情報を提供する。チャネルを除外することは正確な予測には望ましくない。
• この発作予測文脈でiEEGデータ削減にPCAは信頼できない。
• 手作りのiEEG特徴は患者間・時間で一般化しない可能性がある。
• 提案された多スケールCNNアプローチは平均SEN 87.85%とAUC 0.84を患者間で達成し、いくつかの従来手法を上回る。