[論文レビュー] Patient-independent Epileptic Seizure Prediction using Deep Learning Models

Theekshana Dissanayake, Tharindu Fernando+3 more|arXiv (Cornell University)|Nov 18, 2020

EEG and Brain-Computer Interfaces参考文献 27被引用数 6

ひとこと要約

本稿では、1時間前までにてんかん発作を予測できる、患者に依存しない2つの深層学習モデル——特にシamese CNNと標準CNN——を提案する。シameseモデルはCHB-MIT-EEGデータセットで91.54%の精度を達成し、先行研究を上回り、予測バイオマーカーを特定するためのSHAPベースのモデル解釈を導入している。

ABSTRACT

Objective: Epilepsy is one of the most prevalent neurological diseases among humans and can lead to severe brain injuries, strokes, and brain tumors. Early detection of seizures can help to mitigate injuries, and can be used to aid the treatment of patients with epilepsy. The purpose of a seizure prediction system is to successfully identify the pre-ictal brain stage, which occurs before a seizure event. Patient-independent seizure prediction models are designed to offer accurate performance across multiple subjects within a dataset, and have been identified as a real-world solution to the seizure prediction problem. However, little attention has been given for designing such models to adapt to the high inter-subject variability in EEG data. Methods: We propose two patient-independent deep learning architectures with different learning strategies that can learn a global function utilizing data from multiple subjects. Results: Proposed models achieve state-of-the-art performance for seizure prediction on the CHB-MIT-EEG dataset, demonstrating 88.81% and 91.54% accuracy respectively. Conclusions: The Siamese model trained on the proposed learning strategy is able to learn patterns related to patient variations in data while predicting seizures. Significance: Our models show superior performance for patient-independent seizure prediction, and the same architecture can be used as a patient-specific classifier after model adaptation. We are the first study that employs model interpretation to understand classifier behavior for the task for seizure prediction, and we also show that the MFCC feature map utilized by our models contains predictive biomarkers related to interictal and pre-ictal brain states.

研究の動機と目的

• てんかん発作予測におけるEEGデータの高い被験者間ばらつきに取り組む。
• 被験者固有の微調整を必要とせず、多数の被験者に一般化可能な患者に依存しない深層学習モデルを開発する。
• 多様なEEG記録間の共通パターンを活用することで、発作予測性能を向上させる。
• どのEEG特徴量やチャネルが予測に寄与しているかを理解できるように、モデルの解釈性を向上させる。
• 限られたデータで個別被験者への適応が可能な転移学習の可能性を実証する。

提案手法

• 多被験者EEGデータで訓練された2つの深層学習アーキテクチャ——シamese CNNと標準CNN——を提案する。
• 被験者間ばらつきにもかかわらず、グローバルパターンを学習できる、新しい学習戦略を用いる。
• スペクトル的ダイナミクスを捉えるために、EEG信号からメル周波数ケプストラム係数（MFCCs）を特徴量として抽出する。
• t-SNE可視化とSHAP（SHapley Additive exPlanations）を用い、モデル意思決定の解釈と予測バイオマーカーの同定を行う。
• 事前に学習された患者に依存しないモデルを、限られたデータで個別被験者に適応させるための転移学習を実装する。
• 完全に未知の被験者に一般化できるかを評価するため、1人を除いた被験者を対象としたLOPO（Leave-One-Patient-Out）検証を実施する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、多様なEEG記録において、患者に依存しない発作予測で高い精度を達成できるか？
• RQ2 提案されたモデルは、EEG信号の被験者間ばらつきに対処しながらも、予測性能を維持できるか？
• RQ3 MFCC特徴量は、前発作状態と発作間欠状態の遷移をどのように捉えているか？
• RQ4 限られたデータで転移学習を用いることで、患者に依存しないモデルを個別被験者にどの程度適応できるか？
• RQ5 SHAPのようなモデル解釈技術は、EEGベースの発作予測において生物学的に意味のあるバイオマーカーを明らかにできるか？

主な発見

• シamese CNNモデルはCHB-MIT-EEGデータセットで91.54%の精度を達成し、最先端の手法を上回っている。
• 標準CNNモデルは88.81%の精度を達成し、患者に依存しない発作予測において強力な性能を示している。
• SHAP解析により、MFCC特徴量に前発作状態および発作間欠状態に関連する予測バイオマーカーが含まれていることが判明した。
• 転移学習により、限られたデータでも個別被験者で96.67% ± 3.62%の高い性能が達成された。
• 11例中24例の完全に未知の被験者に対して60%以上の精度で一般化が達成され、良好なロバストネスが示された。
• t-SNE可視化により、被験者をまたいで前発作状態と発作間欠状態の意味のある分離可能な表現が学習されていることが確認された。