[論文レビュー] Residual Deep Convolutional Neural Network for EEG Signal Classification in Epilepsy

Diyuan Lu, Jochen Triesch|arXiv (Cornell University)|Mar 19, 2019

EEG and Brain-Computer Interfaces参考文献 15被引用数 36

ひとこと要約

この論文は生EEGデータ上で直接残差1D CNNを訓練し、癫痫関連状態を分類する。 BonnとBern-Barcelonaデータセットで手作り特徴量なしで最先端の結果を達成。

ABSTRACT

Epilepsy is the fourth most common neurological disorder, affecting about 1% of the population at all ages. As many as 60% of people with epilepsy experience focal seizures which originate in a certain brain area and are limited to part of one cerebral hemisphere. In focal epilepsy patients, a precise surgical removal of the seizure onset zone can lead to effective seizure control or even a seizure-free outcome. Thus, correct identification of the seizure onset zone is essential. For clinical evaluation purposes, electroencephalography (EEG) recordings are commonly used. However, their interpretation is usually done manually by physicians and is time-consuming and error-prone. In this work, we propose an automated epileptic signal classification method based on modern deep learning methods. In contrast to previous approaches, the network is trained directly on the EEG recordings, avoiding hand-crafted feature extraction and selection procedures. This exploits the ability of deep neural networks to detect and extract relevant features automatically, that may be too complex or subtle to be noticed by humans. The proposed network structure is based on a convolutional neural network with residual connections. We demonstrate that our network produces state-of-the-art performance on two benchmark data sets, a data set from Bonn University and the Bern-Barcelona data set. We conclude that modern deep learning approaches can reach state-of-the-art performance on epileptic EEG classification and automated seizure onset zone identification tasks when trained on raw EEG data. This suggests that such approaches have potential for improving clinical practice.

研究の動機と目的

• 自動化されたエンドツーエンドの癲癇EEG分類を動機づけ、発作発生領域の特定を支援する。
• 特徴量工学なしで生のEEGから直接学習する残差CNNアーキテクチャを提案する。
• BonnおよびBern-Barcelonaデータセットでの最先端性能を示す。
• ネットワークユニットの応答を調べ、学習された表現を理解する。

提案手法

• 生 preprocess済みEEGデータを分類するための1D畳み込みニューラルネットワークと残差ブロックを使用する。
• 各畳み込み層の後にバッチ正規化、ドロップアウト、Leaky ReLU活性化を適用する。
• Adamオプティマイザ、学習率減衰、固定バッチサイズで訓練する。ゼロ平均単位分散Z-score正規化を用いる。
• トレーニングサンプル数を増やすためのランダムクロップデータ拡張を用いる。
• 時間軸方向のプーリングによる4倍のダウンサンプリングを行う；データセットごとに入力形状を調整。
• Bonn（三クラス: 健康/非健康/発作）およびBern-Barcelona（焦点対非焦点）データセットで評価し、Bonnは3800、Bern-Barcelonaは9800のクロップサイズを選択する。

実験結果

リサーチクエスチョン

• RQ1 生のEEGに直接訓練した残差CNNは、手作り特徴量を用いなくても癲癇関連分類で高精度を達成できるか。
• RQ2 提案モデルはBonnの三クラスの発作関連タスクで、従来手法と比較してどのように性能を示すか。
• RQ3 Bern-Barcelonaデータセットにおける焦点対非焦点分類での性能はどうか。
• RQ4 内部ユニットの活性化から、ネットワークが学習したクラス特異表現が何を示すか。

主な発見

• Bonnでは、提案された残差CNNが99.0%の精度（健常/非健常/発作）、感度96.15%、特異度100%を達成。
• Bern-Barcelonaでは、焦点対非焦点分類で91.8%の精度、感度95.3%、特異度87.7%を達成。
• Bonnの結果は従来手法（例: 手作り特徴量の88.0–98.67%、他のCNN/LSTMベースラインなど）を上回り、生のEEG入力で最先端の性能を達成。
• 最終層のユニット活性化の可視化により、クラス別クラスタリングが明確に示され、モデルは分離可能なクラス特異表現を学習していることが示唆される。
• 手作り特徴量なしの生EEG入力を用いることで、両データセットで競争力のあるまたは優れた性能が得られ、エピレプティックEEG分析に対するエンドツーエンド深層学習の可能性を強調している。