[論文レビュー] Subject Selection on a Riemannian Manifold for Unsupervised Cross-subject Seizure Detection

Samaneh Nasiri Ghosheh Bolagh, Gari D. Clifford|arXiv (Cornell University)|Dec 1, 2017

EEG and Brain-Computer Interfaces参考文献 6被引用数 9

ひとこと要約

本稿では、EEG信号から導出された共分散行列のリーマン多様体上でのスペクトルクラスタリングを用いて、教師なしクロス・サブジェクトてんかん検出のための新しい被験者選択手法を提案する。被験者をリーマン距離に基づいてグループ化し、選択されたクラスタの接空間上でSVMを訓練することで、89.84%の精度と89.64%の特異度を達成し、CHB-MITデータベースにおける誤検出率を1時間あたり0.77件まで低下させた。これは、先行する最先端手法を上回っている。

ABSTRACT

Inter-subject variability between individuals poses a challenge in inter-subject brain signal analysis problems. A new algorithm for subject-selection based on clustering covariance matrices on a Riemannian manifold is proposed. After unsupervised selection of the subsets of relevant subjects, data in a cluster is mapped to a tangent space at the mean point of covariance matrices in that cluster and an SVM classifier on labeled data from relevant subjects is trained. Experiment on an EEG seizure database shows that the proposed method increases the accuracy over state-of-the-art from 86.83% to 89.84% and specificity from 87.38% to 89.64% while reducing the false positive rate/hour from 0.8/hour to 0.77/hour.

研究の動機と目的

• EEGベースのてんかん検出における被験者間ばらつきに対処し、一般化可能なクロス・サブジェクトモデルの開発を促進すること。
• テスト被験者と最も類似した被験者サブセットを特定することで、教師なしクロス・サブジェクト学習における分類性能を向上させること。
• EEG共分散行列の幾何的構造をリーマン多様体上で活用する被験者選択フレームワークを構築すること。
• 多様な被験者において、高い感度と特異度を維持しながら、誤検出率を低減すること。

提案手法

• EEG信号からサンプル共分散行列（SCM）推定器を用いて共分散行列を計算し、リーマン多様体上に対称正定値（SPD）行列を構築する。
• リーマン距離は、一般化固有値変換の行列対数のフロベニウスノルムとして定義される対数ユリッド距離を用いて計算する。
• 被験者固有の幾何的平均を用いたアフィン不変正規化により、各被験者の共分散行列を相互に比較可能にすること。
• 被験者のEEG共分散構造の類似性に基づいて、リーマン距離行列上でスペクトルクラスタリングを適用し、被験者をクラスタに分類する。
• 各クラスタの幾何的平均（リーマン中心）を計算し、クラスタ内すべてのデータをこの平均における接空間にマップする。
• 選択された被験者の接空間表現上でSVM分類器を学習し、CHB-MITデータベースにおける1人を除いた交差検証（leave-one-subject-out）により評価する。

実験結果

リサーチクエスチョン

• RQ1 EEG共分散行列のリーマン多様体上でのスペクトルクラスタリングは、クロス・サブジェクトてんかん検出において、テスト被験者と最も類似した被験者サブセットを効果的に同定できるか？
• RQ2 リーマン幾何に基づく被験者選択は、全訓練被験者を用いる場合と比較して、分類性能をどのように向上させるか？
• RQ3 リーマン多様体に基づく被験者選択は、教師なしてんかん検出における誤検出率をどの程度低減できるか？
• RQ4 被験者の内在的共分散構造に基づくクラスタリングは、従来のクロス・サブジェクト学習手法と比較して、より優れた一般化性能を達成できるか？
• RQ5 提案手法は、被験者固有のファインチューニングを要せず、最先端手法を上回る高い精度と特異度を達成できるか？

主な発見

• 提案手法はCHB-MITデータベースで平均89.84%の精度を達成し、先行する最先端手法（86.83%）と比較して3.01%の向上を示した。
• 特異度は87.38%から89.64%に向上し、真陰性の分類性能が向上した。
• 誤検出率は1時間あたり0.77件まで低下し、先行研究の0.8/時間より低く、ショーブの元々の研究で報告された1.7/時間よりも顕著に低い。
• 感度は高い水準を維持し、全被験者平均で85.77%を示し、平均遅延は5.24秒であった。
• 被験者ごとの性能にばらつきはみられたが、個々の精度は82.79%から95.41%の範囲にあり、多様な患者プロファイルにわたる頑健性が示された。
• 本手法は、教師なしクロス・サブジェクトてんかん検出において、リーマン多様体上のクラスタリングを用いた被験者選択を明示的に行う初の手法である。