[論文レビュー] Self-Supervised Graph Neural Networks for Improved Electroencephalographic Seizure Analysis

Siyi Tang, Jared Dunnmon+6 more|arXiv (Cornell University)|Apr 16, 2021

EEG and Brain-Computer Interfaces被引用数 60

ひとこと要約

本論文は、2つのグラフ構造と自己教師付き事前学習スキームを用いたグラフベースのEEGモデリングを提案し、巨大なEEGデータセット上で最先端の発作検出/分類とローカライズの改善を達成する。

ABSTRACT

Automated seizure detection and classification from electroencephalography (EEG) can greatly improve seizure diagnosis and treatment. However, several modeling challenges remain unaddressed in prior automated seizure detection and classification studies: (1) representing non-Euclidean data structure in EEGs, (2) accurately classifying rare seizure types, and (3) lacking a quantitative interpretability approach to measure model ability to localize seizures. In this study, we address these challenges by (1) representing the spatiotemporal dependencies in EEGs using a graph neural network (GNN) and proposing two EEG graph structures that capture the electrode geometry or dynamic brain connectivity, (2) proposing a self-supervised pre-training method that predicts preprocessed signals for the next time period to further improve model performance, particularly on rare seizure types, and (3) proposing a quantitative model interpretability approach to assess a model's ability to localize seizures within EEGs. When evaluating our approach on seizure detection and classification on a large public dataset, we find that our GNN with self-supervised pre-training achieves 0.875 Area Under the Receiver Operating Characteristic Curve on seizure detection and 0.749 weighted F1-score on seizure classification, outperforming previous methods for both seizure detection and classification. Moreover, our self-supervised pre-training strategy significantly improves classification of rare seizure types. Furthermore, quantitative interpretability analysis shows that our GNN with self-supervised pre-training precisely localizes 25.4% focal seizures, a 21.9 point improvement over existing CNNs. Finally, by superimposing the identified seizure locations on both raw EEG signals and EEG graphs, our approach could provide clinicians with an intuitive visualization of localized seizure regions.

研究の動機と目的

• EEGをグラフとして表現し、非ユークリッド空間的な時空構造を捉える。
• 幾何学と動的結合性を反映するため、EEGグラフの構築を2つ提案する（距離ベースと相関ベース）。
• 希少な発作タイプに対して特に性能を向上させるための自己教師付き事前学習タスクを開発する。
• EEG内の発作を局在化する定量的解釈可能性指標を導入する。

提案手法

• EEGクリップを、ノードをチャネル、エッジが幾何学（距離グラフ）または機能的結合性（相関グラフ）を反映するグラフとして表現する。
• Diffusion Convolutional Recurrent Neural Network (DCRNN) を拡張して、拡散畳み込みとDCGRUユニットを用い、EEGグラフの時空モデリングに対応させる。
• 次の12秒間の前処理済みEEGクリップを予測することで自己教師付き事前学習を適用し、タスクに依存しない表現を学習する。
• EEG信号をFFTのlog-amplitudesに前処理し、検出/分類タスクには非重複の12-s（60-s）ウィンドウを用いる。
• Occlusionベースの解釈可能性を、カバレッジと局在化指標を用いて、発作の局在化能力を定量化する。
• グラフのバリアント（距離 vs 相関）を比較し、自己教師あり学習とベースラインの影響を評価する。

実験結果

リサーチクエスチョン

• RQ1 EEGのグラフ表現は、CNNベースのアプローチと比較して発作検出と分類を改善できるか？
• RQ2 自己教師付き事前学習は性能を向上させるか、特に希少な発作タイプに対して？
• RQ3 モデルはEEG内の発作を定量的に局在化でき、臨床的解釈性を支援できるか？

主な発見

• 本モデルは大規模公開EEGデータセット上で発作検出の0.875 AUROCと発作分類の0.749加重F1-scoreを達成。
• 自己教師付き事前学習は性能を大幅に向上させ、希少な発作タイプに対して特に大きな改善を含む（例: tonic seizuresでの高い精度向上）。
• 相関ベースのグラフは、距離ベースのグラフよりも焦点性発作の局在化に優れており、特に自己教師付き事前学習と組み合わせた場合に顕著。
• Occlusionベースの解釈可能性は、高いサリエンシーが既知の発作領域と一致することを示し、局在化指標はCNNベースラインより顕著な改善を示す。
• このアプローチは、生EEG信号およびEEGグラフ上の発作位置の正確な可視化を提供し、臨床的有用性を支持する。