[論文レビュー] Random Forest classifier for EEG-based seizure prediction

Remy Ben Messaoud, Mario Chávez|arXiv (Cornell University)|Jun 2, 2021

EEG and Brain-Computer Interfaces参考文献 32被引用数 4

ひとこと要約

本研究では、発作前状態のエポック単位の確率推定を活用して、正確性を向上させるとともに誤検出を低減するため、EEGを用いたてんかん発作予測のためのランダムフォレスト分類器を提案する。CHB-MIT頭皮EEGデータセットにおいて5分間の発作予測期間を設定した場合、感度82.07%、誤検出レート0.0799/時間の高い性能を達成し、最先端の手法を上回る。

ABSTRACT

Epileptic seizure prediction has gained considerable interest in the computational Epilepsy research community. This paper presents a Machine Learning based method for epileptic seizure prediction which outperforms state-of-the art methods. We compute a probability for a given epoch, of being pre-ictal against interictal using the Random Forest classifier and introduce new concepts to enhance the robustness of the algorithm to false alarms. We assessed our method on 20 patients of the benchmark scalp EEG CHB-MIT dataset for a seizure prediction horizon (SPH) of 5 minutes and a seizure occurrence period (SOP) of 30 minutes. Our approach achieves a sensitivity of 82.07 % and a low false positive rate (FPR) of 0.0799 /h. We also tested our approach on intracranial EEG recordings.

研究の動機と目的

• EEG信号を用いた信頼性の高いてんかん発作予測のための機械学習ベースの手法を開発すること。
• 高い感度を維持しつつ誤検出レートを低減することで、既存の最先端の手法を改善すること。
• 新しい特徴工学と分類器設計を用いて、誤警報に対するアルゴリズムの耐性を高めること。
• 広範な臨床的適用性を確保するため、頭皮および脳内EEG記録の両方で手法を検証すること。

提案手法

• ランダムフォレスト分類器は、与えられたEEGエポックが発作前状態である確率を予測するように学習される。
• EEG信号の時間的・スペクトル的ダイナミクスを捉えるために、新たな特徴が設計され、識別力が向上する。
• モデルは連続するEEGデータを離散的エポックに分割するスライディングウインドウ手法を用いる。
• 感度と誤検出レートのバランスを取るために、確率しきい値戦略が適用される。
• 一般化および多様な患者データに対する耐性を高めるために、アンサンブル学習が組み込まれる。
• ベンチマークとしてのCHB-MIT頭皮EEGデータセットを用いて検証され、モダリティを越えた性能を評価するため、脳内EEG記録でもテストが実施された。

実験結果

リサーチクエスチョン

• RQ1 ランダムフォレスト分類器は、既存の手法よりも高い感度と低い誤検出レートを達成できるか？
• RQ2 新規EEG特徴の導入が、発作予測モデルの耐性にどのように影響するか？
• RQ3 モデルは、頭皮記録および脳内記録の異なるEEGモダリティ間でどの程度一般化可能か？
• RQ4 確率ベースの分類フレームワークは、高い感度を維持しつつ、誤警報をどの程度低減できるか？
• RQ5 5分間の発作予測期間と30分間の発作発生期間を想定した場合、モデルの性能はいかがなものか？

主な発見

• 提案手法は、5分間の発作予測期間を設定したCHB-MIT頭皮EEGデータセットで、感度82.07%を達成した。
• 誤検出レートは0.0799/時間にまで低減され、先行する最先端の手法と比較して顕著な改善が得られた。
• モデルは強力な一般化能力を示し、脳内EEG記録に対しても同等の性能を達成した。
• 新規特徴工学技術の統合により、EEG信号における微細な発作前パターンの検出能力が向上した。
• ランダムフォレストの確率出力により、感度と誤検出レートの間で調整可能なトレードオフが可能になった。
• 同じ評価プロトコル下で、感度および誤検出レートの両面で、既存の手法を上回る性能を示した。