[論文レビュー] Principal Component Analysis for seizure characterization in EEG signals

Melisa Maidana Capitán, Nuria Cámpora+2 more|arXiv (Cornell University)|Feb 28, 2019

EEG and Brain-Computer Interfaces被引用数 3

ひとこと要約

本稿では、周波数帯域ごとの電力変動を分析することで、脳内EEG信号におけるてんかん発作を特徴付ける非教師付き主成分分析（PCA）手法を提案する。この手法により、発作のオンライン検出が可能となり、精度85%、再現率88%を達成した。また、意識障害と関連する生理的兆候（発作開始時におけるアルファ帯域電力分散の増加）を同定した。

ABSTRACT

A large variety of methods has been proposed for automatic seizure detection in EEG signals. Those achieving maximal performance are based on machine-learning techniques, which require long training sessions with large labelled databases, and produce a verdict with no intuitive justification. As an alternative, we here explore an unsupervised algorithm applicable to intra-cranial EEG recordings that requires good sampling of the non-ictal periods, but imposes no demands on the amount of data during ictal activity. The algorithm analyses how the amount of power in each frequency band fluctuates ( an evaluation physicians are familiar with ) and can be implemented online. The analysis is performed electrode by electrode, thus providing the spatio-temporal sequence in which the affected regions are recruited into the crisis. We test it with 32 crisis registered in 5 patients, for which we also have the degree of loss of consciousness as determined from a behavioural analysis. The method can achieve a precision of 85% and a recall of 88% in the identification of seizures, and 77% and 88% in the identification of recruited electrodes. The intuitive nature of the analysis allows us to identify certain physiological features that are correlated with the degree of loss of consciousness. For example, epileptic crisis in which the variance of the power in the alpha band increases at around seizure onset are particularly likely to impair consciousness. We conclude that the PCA of the distribution of power in different frequency bands provides information both about the detection and the characterization of epileptic seizures.

研究の動機と目的

• 大規模なラベル付きデータセットを必要としない、非教師付きで解釈可能な、てんかん発作の検出および特徴化手法の開発。
• 発作中の意識障害の程度と関連するEEG電力ダイナミクスの生理的マーカーの同定。
• 発作開始の空間的・時間的進行を追跡するための、リアルタイムで電極単位での解析の実現。
• 意思決定プロセが不透明な複雑な機械学習モデルへの依存を減らすために、直感的な電力ベースの特徴を活用すること。

提案手法

• 脳内EEG記録における周波数帯域（例：デルタ、シータ、アルファ、ベータ、ガンマ）ごとの電力分布に主成分分析（PCA）を適用する。
• 電極ごとの周波数帯域ごとの電力の時間的変動を分析し、臨床医がなじみのある特徴を用いる。
• データを電極単位で処理し、脳領域における発作開始の空間的・時間的順序を再構築する。
• 最初の主成分を用いて、特に発作開始周辺での電力変動の主要パターンを捉える。
• 発作間欠期のデータを主に用いて学習し、発作期データの必要最小限の要件を満たすことで、発作サンプルが少ないデータセットにも適用可能となる。
• リアルタイム監視および検出を可能にするために、アルゴリズムをオンライン実装する。

実験結果

リサーチクエスチョン

• RQ1 周波数帯域電力分布のPCAは、高精度かつ解釈可能に、脳内EEGにおけるてんかん発作を検出できるか？
• RQ2 発作中の意識障害の程度と関連する特定周波数帯域の電力ダイナミクスは何か？
• RQ3 この手法は、電極間で発作開始の空間的・時間的進行をどの程度正確に追跡できるか？
• RQ4 教師なしアプローチは、大規模なラベル付きデータセットを必要とせず、教師あり機械学習手法と同等の性能を達成できるか？

主な発見

• 本手法は、5名の患者から得られた32件の発作において、精度85%、再現率88%で発作を同定した。
• 関与電極の同定において、精度77%、再現率88%を達成し、高い局在化精度を示した。
• 発作開始周辺でのアルファ帯域電力分散の増加は、意識障害の可能性が高まるのと有意に相関していた。
• PCAに基づく分析は、臨床的評価の実践と整合する解釈可能で直感的なフレームワークを提供した。
• 本手法は、発作間欠期の良好なサンプリングと、最小限の発作期データのみを必要としており、発作記録が少ないデータセットに対しても実用的であった。
• 本手法はオンライン実装が可能であり、発作ダイナミクスのリアルタイム監視を可能にした。