[論文レビュー] Investigating the Impact of CNN Depth on Neonatal Seizure Detection Performance

Alison O'Shea, Gordon Lightbody+2 more|Arrow@dit (Dublin Institute of Technology)|Jun 8, 2018

EEG and Brain-Computer Interfaces参考文献 15被引用数 15

ひとこと要約

本研究では、多チャネルEEGからの新生児てんかん発作検出を最適化した深く、完全に畳み込み型のニューラルネットワーク（CNN）アーキテクチャを提案する。ネットワークの深さを系統的に変化させることで、11層のCNNがAUC90を82.6%（浅いSVM）から86.8%まで著しく向上させることを実証した。さらに、モデル融合により性能は87.6%まで向上した。

ABSTRACT

This study presents a novel, deep, fully convolutional architecture which is optimized for the task of EEG-based neonatal seizure detection. Architectures of different depths were designed and tested; varying network depth impacts convolutional receptive fields and the corresponding learned feature complexity. Two deep convolutional networks are compared with a shallow SVM-based neonatal seizure detector, which relies on the extraction of hand-crafted features. On a large clinical dataset, of over 800 hours of multichannel unedited EEG, containing 1389 seizure events, the deep 11-layer architecture significantly outperforms the shallower architectures, improving the AUC90 from 82.6% to 86.8%. Combining the end-to-end deep architecture with the feature-based shallow SVM further improves the AUC90 to 87.6%. The fusion of classifiers of different depths gives greatly improved performance and reduced variability, making the combined classifier more clinically reliable.

研究の動機と目的

• EEGデータを用いて畳み込みニューラルネットワーク（CNN）の深さが新生児てんかん発作検出性能に与える影響を調査すること。
• 多チャネルで編集の加えられていない新生児EEG記録に特化した完全に畳み込み型の深層学習アーキテクチャを開発すること。
• 手作業で特徴を抽出した特徴量に依存する浅いSVMベースの検出器と、深層CNNの性能を比較すること。
• 異なる深さの分類器を組み合わせることで、性能と頑健性を向上させる有効性を評価すること。
• 実世界のEEGデータセットにおける検出精度の向上とばらつきの低減を通じて、臨床的信頼性を高めること。

提案手法

• 生EEG信号から階層的特徴を直接学習できるように、浅いものから11層までのさまざまな深さの完全に畳み込み型ニューラルネットワーク（FCN）を設計・学習する。
• 800時間を超える多チャネルで編集の加えられていないEEG記録を含む大規模な臨床データセット（1389件の発作イベントを含む）を用いて学習と評価を行う。
• 手動による特徴工学を一切行わず、エンドツーエンド学習により関連する空間時間的特徴を自動抽出する。
• 深層CNNと、手作業で特徴を抽出した特徴量に依存する浅いSVMベースの分類器を組み合わせ、ハイブリッドアンサンブルモデルを構築する。
• 異なる深さのネットワークからの予測を統合するモデル統合技術を適用し、ばらつきを低減し、一般化性能を向上させる。
• 主な評価指標としてAUC90を用い、発作検出における感度と特異度に焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 CNNの深さを増やすことで、EEG信号における新生児てんかん発作の検出性能はどのように変化するか？
• RQ2 手作業で特徴を抽出した特徴量に依存する浅いSVMベースの検出器よりも、深層完全に畳み込み型ネットワークが優れた性能を発揮できるか？
• RQ3 深層学習モデルと従来の特徴ベース分類器を組み合わせることで、検出精度と信頼性は向上するか？
• RQ4 異なる深さのネットワーク間でのモデル統合は、性能のばらつきを低減し、臨床的頑健性を向上させるか？
• RQ5 生EEGデータを用いた新生児てんかん発作検出において、AUC90を最大化する最適なネットワーク深さは何か？

主な発見

• 11層の深層CNNはAUC90が86.8%を達成し、浅いSVMベースの検出器（AUC90 82.6%）を著しく上回った。
• 深層CNNと浅いSVMベースの分類器を融合させることで、AUC90はさらに87.6%まで向上し、補完的学習アプローチの有効性を示した。
• 深層アーキテクチャは、深さが増すにつれて受容 field が拡大し、抽出される特徴の複雑性が向上するという優れた特徴学習能力を示した。
• モデル統合により性能のばらつきが低減され、より安定的かつ臨床的に信頼できる検出システムが実現した。
• 結果から、より複雑な空間時間的パターンを捉えるのに適したのは深層ネットワークであることが確認された。
• 本研究は、大規模で現実世界のEEGデータセットに適用されたエンドツーエンドの深層学習が、従来の手作業で特徴を抽出する方法を上回ることを検証した。