[論文レビュー] Learning Robust Features using Deep Learning for Automatic Seizure Detection

Pierre Thodoroff, Joëlle Pineau+1 more|arXiv (Cornell University)|Jul 31, 2016

EEG and Brain-Computer Interfaces参考文献 14被引用数 171

ひとこと要約

再帰型畳み込みニューラルネットワークが、画像ベースのEEG表現を通じてロバストな時空間周波数特徴を学習し、発作を検出することで、患者間のパフォーマンスと欠損チャンネルに対する頑健性を改善します。

ABSTRACT

We present and evaluate the capacity of a deep neural network to learn robust features from EEG to automatically detect seizures. This is a challenging problem because seizure manifestations on EEG are extremely variable both inter- and intra-patient. By simultaneously capturing spectral, temporal and spatial information our recurrent convolutional neural network learns a general spatially invariant representation of a seizure. The proposed approach exceeds significantly previous results obtained on cross-patient classifiers both in terms of sensitivity and false positive rate. Furthermore, our model proves to be robust to missing channel and variable electrode montage.

研究の動機と目的

• 自動発作検出を動機付けて、専門の神経科医への依存を減らす。
• 多チャンネルEEGデータから頑健な特徴を学習して患者間で一般化する深層学習アプローチを開発する。
• スペクトル・時間・空間情報を捉えるために画像ベースのEEG表現を活用する。
• CHB-MITデータセット上でクロス患者および患者固有の発作検出を評価し、既存手法と比較する。

提案手法

• 電極位置を2Dに投影し、各電極ごとに3つの周波数帯（0–7 Hz、7–14 Hz、14–49 Hz）を符号化して、1秒のEEGウィンドウの画像ベース表現を作成する。
• 1秒画像から得られる64次元の畳み込み特徴をシーケンスモデル（LSTM、双方向）に渡して30秒間の再帰型CNNを適用する。
• 重みの初期化のために前学習を行い、クラスのバランスをとるためのランダムなネガティブサブサンプリングと勾配降下法でネットワークをエンドツーエンドで学習する。
• 全モデルを結合トレーニングする前に畳み込み層を前学習で初期化し、患者間の検出器に対して転移学習を用いて患者固有の検出器を構築する。
• 予測の分散を低減するために、同一構造のモデル3つのアンサンブルを用いる。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、患者間で転送可能な一般的で空間的不変な発作表現を学習できるか。
• RQ2 CHB-MITで提案モデルは患者固有の検出とクロス患者検出のどちらで性能が良いか。
• RQ3 画像ベースのEEG表現は欠損チャンネルや異なる電極モントージュに対して頑健か。
• RQ4 限られた発作データを前学習と転移学習は性能を向上させるか。
• RQ5 モデルは感度と偽陽性率で、手作業特徴量法や商業検 detectors とどう比較されるか。

主な発見

• クロス患者検出は平均感度をより高く（85%）、偽陽性率を低く抑えた（0.8/hour）、REVEALの感度67%、FPR1.7/hourより優れていた。
• 患者固有検出の性能はShoebの手作業SVM検出器と同等程度であったが、欠落したEEGチャンネルに対する頑健性は高かった。
• 画像ベースのEEG表現はクロス患者の一般化を強く促進し、異なる電極モントージュを受け入れることができた。
• CHB-MITデータセット（969時間、173発作）で強いパフォーマンスを示し、オクルージョン分析を通じて発作の起源を局在化できた。
• データ不足に対処するトレーニング戦略（ネガティブのサブサンプリング、前学習、転移学習、アンサンブリング）は学習の安定性と性能を向上させた。