[論文レビュー] Real-Time Seizure Detection using EEG: A Comprehensive Comparison of Recent Approaches under a Realistic Setting

Kwanhyung Lee, Hyewon Jeong+4 more|arXiv (Cornell University)|Jan 21, 2022

EEG and Brain-Computer Interfaces被引用数 11

ひとこと要約

本論文は、同一で現実的な実験条件下で、最新の深層学習モデルと信号特徴抽出手法を用いたEEGベースのてんかん発作検出について、包括的かつリアルタイムな比較を提示する。新たに提案されたマージンに基づく評価指標を導入し、ResNet-short + LSTMにEPOCH特徴抽出を組み合わせた手法が、実用的なリアルタイムデプロイメント環境下で最高のAUROC（0.92）と感受性と特異性の良好なバランスを達成しており、他のモデルや特徴タイプを上回ることを示した。

ABSTRACT

Electroencephalogram (EEG) is an important diagnostic test that physicians use to record brain activity and detect seizures by monitoring the signals. There have been several attempts to detect seizures and abnormalities in EEG signals with modern deep learning models to reduce the clinical burden. However, they cannot be fairly compared against each other as they were tested in distinct experimental settings. Also, some of them are not trained in real-time seizure detection tasks, making it hard for on-device applications. Therefore in this work, for the first time, we extensively compare multiple state-of-the-art models and signal feature extractors in a real-time seizure detection framework suitable for real-world application, using various evaluation metrics including a new one we propose to evaluate more practical aspects of seizure detection models. Our code is available at https://github.com/AITRICS/EEG_real_time_seizure_detection.

研究の動機と目的

• EEGを用いたリアルタイムてんかん発作検出の公平で現実的なベンチマークを確立し、先行研究における実験設定や評価指標の不整合を是正すること。
• 同一のリアルタイム制約下で、最先端の深層学習モデルと信号特徴抽出手法（例：EPOCH、STFT、LFCC、SincNet）の性能を評価すること。
• 実際の発作発症時刻および終了時刻との関係で検出精度を測る、マージンに基づく新しい評価指標を提案し、臨床的妥当性を向上させること。
• EEG前処理における折りたたみ効果への耐性、処理遅延、24時間当たりの誤報数といった実用的デプロイメント要因を評価すること。
• TUH EEG Seizure Corpus V1.5.2を用いた今後の研究や臨床的モデルデプロイメントを支援する再現可能でオープンソースのフレームワーク（コードおよびデータ）を提供すること。

提案手法

• 本研究では、4秒のウィンドウと可変ストライドを用いたリアルタイムスライディングウィンドウ推論フレームワークを採用し、すべてのモデルがウィンドウの期間内に処理を完了することで、リアルタイム動作を保証する。
• 信号前処理には、生EEG、EPOCH、STFT、LFCC、SincNet、周波数バンド、およびダウンサンプリングされた信号を用い、折りたたみ防止用のバンドパスフィルタを適用する・しない両方の条件を含む。
• テスト対象の深層学習モデルには、CNN2D+LSTMおよびResNet-short + LSTMが含まれ、TUH EEG Seizure Corpus V1.5.2データセット上でエンドツーエンドに訓練および評価された。
• 発作発症時刻および終了時刻の周囲に定めた時間ウィンドウ（3秒または5秒）内に検出が行われたかどうかを評価する、新たな評価指標MARGINを提案した。これは臨床的実用性を向上させる。
• 標準指標（AUROC、AUPRC、TPR、TNR）に加え、誤報数（24時間当たり）および発症時刻から検出までの遅延（オンセット遅延）といった実用的指標も用いて性能を評価した。
• 統計的安定性を確保するため、実験を5回繰り返し、結果を平均化し、標準偏差を報告した。

実験結果

リサーチクエスチョン

• RQ1 同一の実験条件下で、異なる最先端の深層学習モデル（例：ResNet-short + LSTM 対 CNN2D+LSTM）は、リアルタイム二値てんかん発作検出においてどのように性能を発揮するか？
• RQ2 EPOCH、STFT、LFCC、SincNetなどの信号特徴抽出手法のうち、どの手法がAUROC、AUPRC、および臨床的実用性の観点で最高の検出性能を達成するか？
• RQ3 ダウンサンプリングの前段階で折りたたみ防止用バンドパスフィルタを適用することにより、リアルタイムてんかん発作検出モデルの性能にどのような影響を与えるか？
• RQ4 提案されたマージンベースの評価指標は、標準指標と比較して、臨床的デプロイメント状況下でのモデル性能評価をどの程度改善するか？
• RQ5 異なるモデルおよび特徴組み合わせにおいて、検出遅延、誤報率、検出精度の間にはどのようなトレードオフが生じるか？

主な発見

• EPOCH特徴抽出を用いたResNet-short + LSTMが、最高のAUROC（0.92）とAUPRC（0.91）を達成し、他のモデルや特徴タイプを上回った。
• EPOCH特徴抽出器は感受性（TPR：0.83）と特異性（TNR：0.85）のバランスが最も良く、TNRが0.95を超えた状態で24時間当たりの誤報数がわずか1.68件にとどまった。
• マージンベースの指標によると、EPOCHベースのモデルは49%のケースで発症から3秒以内に発作を検出でき、62%のケースで5秒以内に検出できた。これは臨床的意義が強いことを示している。
• ダウンサンプリングの前段階で折りたたみ防止フィルタを適用することで、モデル性能が向上した。ResNet-short + LSTMでは、フィルタ適用後、AUROCが0.91、AUPRCが0.90に上昇したのに対し、適用なしでは0.88および0.87であった。
• SincNet特徴抽出器は最高のTNR（1.0）を達成したが、最低のTPR（0.33）であったため、特異性は高いが感受性が低く、臨床的有用性が限定的である。
• オンセット遅延は、ダウンサンプリングされた特徴で最も低く（3.96秒）、SincNetでは最も高かった（24.77秒）。これは、特徴の複雑さとリアルタイム応答性の間のトレードオフを示している。