[論文レビュー] Neural Memory Networks for Robust Classification of Seizure Type

David Ahmedt‐Aristizabal, Tharindu Fernando+4 more|arXiv (Cornell University)|Dec 10, 2019

EEG and Brain-Computer Interfaces被引用数 6

ひとこと要約

本稿では、電気生理学的EEGデータを用いたてんかん発作タイプ分類を向上させるために、新しいニューラルメモリネットワーク（NMN）アーキテクチャを提案する。畳み込みニューラルネットワークと再帰ニューラルネットワークに、学習可能な可塑性を持つ外部メモリモジュールを統合することで、IBM TUSZによって事前処理されたデータを用いたTUH EEG発作コロナスにおいて、最先端の重み付きF1スコア0.945を達成し、自動てんかん診断分野における顕著な可能性を示している。

ABSTRACT

Classification of seizure type is a key step in the clinical process for evaluating an individual who presents with seizures. It determines the course of clinical diagnosis and treatment, and its impact stretches beyond the clinical domain to epilepsy research and the development of novel therapies. Automated identification of seizure type may facilitate understanding of the disease, and seizure detection and prediction has been the focus of recent research that has sought to exploit the benefits of machine learning and deep learning architectures. Nevertheless, there is not yet a definitive solution for automating the classification of seizure type, a task that must currently be performed by an expert epileptologist. Inspired by recent advances in neural memory networks (NMNs), we introduce a novel approach for the classification of seizure type using electrophysiological data. We first explore the performance of traditional deep learning techniques which use convolutional and recurrent neural networks, and enhance these architectures by using external memory modules with trainable neural plasticity. We show that our model achieves a state-of-the-art weighted F1 score of 0.945 for seizure type classification on the TUH EEG Seizure Corpus with the IBM TUSZ preprocessed data. This work highlights the potential of neural memory networks to support the field of epilepsy research, along with biomedical research and signal analysis more broadly.

研究の動機と目的

• てんかんの診断と治療計画のための重要なステップである、発作タイプを正確に分類する臨床的課題に対処すること。
• 現在の自動化手法に欠ける、EEG信号からの多様な発作タイプの分類における頑健性と一般化能力を克服すること。
• 神経メモリネットワーク（NMN）が、電気生理学的データを用いた発作タイプ分類のためのディープラーニングモデルをどのように向上させられるかを検討すること。
• 外部メモリに学習可能な可塑性を組み込むことで、従来の畳み込みニューラルネットワークと再帰ニューラルネットワークを凌駕する性能を向上させること。
• IBM TUSZによって事前処理されたデータを用いたTUH EEG発作コロナスを用いて、発作タイプ分類の新しい最先端のベンチマークを確立すること。

提案手法

• 生のEEG信号から空間的および時間的特徴を抽出するために、畳み込みニューラルネットワーク（CNN）と再帰ニューラルネットワーク（RNN）を組み合わせたアプローチを採用する。
• 入力シーケンスからの関連する長期的パターンを格納および取得するため、深層学習アーキテクチャに外部メモリモジュールを統合する。
• 入力データとモデルのフィードバックに基づいて、保存された表現を動的に更新・適応させるために、学習可能な神経可塑性をメモリモジュールが採用する。
• 分類性能を最適化するために、交差エントロピー損失関数を用いたバックプロパゲーションにより、エンドツーエンドでモデルを訓練する。
• EEGレコーディングを標準化および正規化するため、IBM TUSZによって事前処理されたデータを用いて、TUH EEG発作コロナス上でアーキテクチャを評価する。
• 不均衡な発作タイプ分布に適した指標として、重み付きF1スコアを性能評価に用いる。

実験結果

リサーチクエスチョン

• RQ1 ニューラルメモリネットワークは、標準的なディープラーニングモデルと比較して、自動発作タイプ分類の精度と頑健性を向上させることができるか？
• RQ2 学習可能な可塑性を持つ外部メモリモジュールを統合することで、EEG信号における長期的時間的依存性をモデルがどのようによりよく捉えるようになるか？
• RQ3 IBM TUSZ事前処理を施したTUH EEG発作コロナスにおいて、提案されたNMNベースのモデルの性能はどの程度か、特にF1スコアおよび発作タイプ間での一般化能力の観点から。
• RQ4 メモリ拡張アーキテクチャは、電気生理学的データからの多様な発作タイプの分類において、標準的なCNN-RNNモデルをどの程度上回るか？

主な発見

• 提案されたニューラルメモリネットワークは、IBM TUSZによって事前処理されたデータを用いたTUH EEG発作コロナスにおいて、最先端の重み付きF1スコア0.945を達成した。
• 学習可能な可塑性を持つ外部メモリの統合により、標準的なCNN-RNNアーキテクチャに比べて分類性能が顕著に向上した。
• データセット内のクラス不均衡が存在する中でも、異なる発作タイプにわたる一般化性能が強く示された。
• 結果から、メモリ拡張ディープラーニングモデルは、発作タイプ同定のような複雑なバイオメディカル信号分類タスクにおいて非常に効果的であることが示された。
• 本アプローチは、てんかん研究、臨床意思決定支援、および新規治療戦略の開発への応用可能性を示している。