[論文レビュー] Implementation of Deep Neural Networks to Classify EEG Signals using Gramian Angular Summation Field for Epilepsy Diagnosis

Palani Thanaraj Krishnan, B. Parvathavarthini+4 more|arXiv (Cornell University)|Mar 8, 2020

EEG and Brain-Computer Interfaces参考文献 42被引用数 42

ひとこと要約

本論文は EEG エポックを Gramian Angular Summation Field 画像へ変換し、転移学習と特徴量ベースの ANN を用いた深層 CNN（カスタム CNN および事前学習済みの AlexNet、VGG16、VGG19）をてんかん検出に適用し、GASF 表現において高い指標を達成した。

ABSTRACT

This paper evaluates the approach of imaging timeseries data such as EEG in the diagnosis of epilepsy through Deep Neural Network (DNN). EEG signal is transformed into an RGB image using Gramian Angular Summation Field (GASF). Many such EEG epochs are transformed into GASF images for the normal and focal EEG signals. Then, some of the widely used Deep Neural Networks for image classification problems are used here to detect the focal GASF images. Three pre-trained DNN such as the AlexNet, VGG16, and VGG19 are validated for epilepsy detection based on the transfer learning approach. Furthermore, the textural features are extracted from GASF images, and prominent features are selected for a multilayer Artificial Neural Network (ANN) classifier. Lastly, a Custom Convolutional Neural Network (CNN) with three CNN layers, Batch Normalization, Max-pooling layer, and Dense layers, is proposed for epilepsy diagnosis from GASF images. The results of this paper show that the Custom CNN model was able to discriminate against the focal and normal GASF images with an average peak Precision of 0.885, Recall of 0.92, and F1-score of 0.90. Moreover, the Area Under the Curve (AUC) value of the Receiver Operating Characteristic (ROC) curve is 0.92 for the Custom CNN model. This paper suggests that Deep Learning methods widely used in image classification problems can be an alternative approach for epilepsy detection from EEG signals through GASF images.

研究の動機と目的

• Gramian Angular Field 表現を用いたてんかん診断のための時系列 EEG データの画像化を動機づける。
• GASF EEG 画像上で事前学習済み DNN（AlexNet、VGG16、VGG19）を用いた転移学習を評価する。
• GASF 画像からのてんかん診断のためのカスタム CNN アーキテクチャを開発する。
• GASF 画像からのテクスチャ特徴を探索し、選択特徴に対して ANN 分類器を用いる。

提案手法

• 正常および焦点性 EEG 信号のために EEG エポックを RGB GASF 画像へ変換する。
• AlexNet、VGG16、VGG19 を用いた転移学習を適用して GASF 画像を分類する。
• GASF 画像からテクスチャ特徴を抽出し、多層 ANN 分類器の有力特徴を選択する。
• 分類のために三つの畳み込み層、Batch Normalization、Max-pooling、Dense 層を備えたカスタム CNN を提案する。
• Precision、Recall、F1-score、AUC-ROC などの指標を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 EEG 信号の GASF 表現は、画像ベースの深層学習モデルを用いた効果的なてんかん検出を可能にするか。
• RQ2 事前学習済み CNN（AlexNet、VGG16、VGG19）は、カスタム CNN と比較して GASF ベースのてんかん検出でどのように性能を発揮するか。
• RQ3 GASF 画像のテクスチャ特徴は、ニューラル分類器を介したてんかん分類を改善するか。
• RQ4 提案手法の GASF EEG 画像に対する診断性能（Precision、Recall、F1、AUC）はどの程度か。

主な発見

• カスタム CNN は平均 precision 0.885、recall 0.92、F1-score 0.90 を達成した。
• カスタム CNN は ROC 曲線で AUC 0.92 を達成した。
• 事前学習済み CNN とテクスチャ特徴ベースの ANN は、カスタム CNN と並行して評価され、GASF ベースのてんかん検出の実現可能性を示した。
• 九ページの論文は、結果を裏付ける 8 図と 2 表を含む。