[論文レビュー] Hyperdimensional computing encoding for feature selection on the use case of epileptic seizure detection

Una Pale, Tomás Teijeiro+1 more|arXiv (Cornell University)|May 16, 2022

Ferroelectric and Negative Capacitance Devices被引用数 7

ひとこと要約

本論文は、EEG信号のハイパーサイズ（HD）ベクトル符号化を最適化することで特徴選択を可能にする、てんかん発作検出のための新規ハイパーサイズ（HD）コンピューティングフレームワークを提案する。特徴付加とチャネル・特徴の組み合わせといった符号化戦略を比較することで、HDベースの特徴選択がモデルの複雑さを低減させつつ、性能を向上または維持できることを示し、バイオメディカル機械学習における体系的特徴選択にHDコンピューティングを用いる初の試みである。

ABSTRACT

The healthcare landscape is moving from the reactive interventions focused on symptoms treatment to a more proactive prevention, from one-size-fits-all to personalized medicine, and from centralized to distributed paradigms. Wearable IoT devices and novel algorithms for continuous monitoring are essential components of this transition. Hyperdimensional (HD) computing is an emerging ML paradigm inspired by neuroscience research with various aspects interesting for IoT devices and biomedical applications. Here we explore the not yet addressed topic of optimal encoding of spatio-temporal data, such as electroencephalogram (EEG) signals, and all information it entails to the HD vectors. Further, we demonstrate how the HD computing framework can be used to perform feature selection by choosing an adequate encoding. To the best of our knowledge, this is the first approach to performing feature selection using HD computing in the literature. As a result, we believe it can support the ML community to further foster the research in multiple directions related to feature and channel selection, as well as model interpretability.

研究の動機と目的

• EEG信号のような空間的・時間的バイオメディカルデータのための体系的HDベクトル符号化戦略の欠如に対処すること。
• 異なるHD符号化方式がてんかん発作検出における特徴選択、性能、メモリ効率に与える影響を調査すること。
• 文献において初めて、HDコンピューティングを符号化設計を活用して特徴選択を実行できるようにすることを示すこと。
• HDベクトル表現を通じて個々の特徴の寄与度を分析することで、モデルの解釈可能性を高めること。
• ウェアラブルIoTデバイスにおける継続的健康モニタリングを支援する、軽量でエネルギー効率が良く、解釈可能なMLモデルの開発を支援すること。

提案手法

• EEG特徴とチャネルを高次元ベクトルに符号化するための複数のHDベクトル符号化戦略（FeatAppend, ChFeatComb, ChxFeat, Feat×Ch×Val）を提案する。
• 各特徴またはチャネルを別個のハイパーサイズベクトルとして符号化するハイパーサイズコンピューティングフレームワークを採用し、加算やバインディングなどの演算を組み合わせて表現を構成する。
• 特徴の重要度を評価するための段階的特徴追加アプローチを採用し、特徴を1つずつ追加することで性能変化を測定する。
• CHB-MIT EEGデータベースを用いて、メモリ容量、計算複雑度、分類精度の観点から符号化戦略を評価する。
• 信頼度スコア、意思決定確率、クラス分離性を用いて個々の特徴の性能を分析し、特徴のランク付けと選択を可能にする。
• FeatAppend手法を拡張してChannelAppendに応用し、将来的なチャネル選択および発作局在分析に活用可能とする。

実験結果

リサーチクエスチョン

• RQ1 EEGベースの発作検出において、メモリ効率、計算コスト、分類性能のバランスを最適にとるHDベクトル符号化戦略は何か？
• RQ2 HDコンピューティングは、特にEEGデータにおいて、バイオメディカル機械学習における体系的特徴選択を効果的に実行できるか？
• RQ3 1特徴あたりのHDベクトルの次元数が、発作検出タスクにおけるモデル性能と情報容量に与える影響は何か？
• RQ4 HDベクトル表現を用いることで、個々の特徴の寄与度や相関関係を分析することにより、どの程度解釈可能性が向上するか？
• RQ5 提案された符号化フレームワークは、ウェアラブルIoTデバイスにおける継続的神経学的モニタリングのための軽量でリアルタイムなデプロイメントを可能にするか？

主な発見

• FeatAppend符号化戦略は、最も低いメモリ使用量と計算コストを達成しており、リソース制限のあるウェアラブルデバイスに最も適している。
• 全特徴を用いた場合と比較して、テストされたすべての符号化戦略が特徴数を顕著に削減しながら、分類性能を維持または向上させた。
• FeatAppendが可能にする段階的特徴追加アプローチにより、情報量の多い特徴のみを選択することで、性能の向上が確認された。
• HDベクトルによる個々の特徴分析から、特徴の信頼度、分離性、相関関係に関する洞察が得られ、モデルの解釈可能性と臨床的理解が向上した。
• FeatAppend手法により、HD符号化を用いた体系的特徴選択が実現可能であることが示され、これは文献上初の試みである。
• 計算リソースの制限にもかかわらず、CHB-MITデータベースの部分サブセットでも安定した性能を示したため、フルデータセットとGPU最適化を組み合わせることでスケーラビリティの可能性が示唆された。