[論文レビュー] Synthetic Epileptic Brain Activities Using Generative Adversarial Networks

Damián Pascual, Amir Aminifar+3 more|arXiv (Cornell University)|Jul 22, 2019

EEG and Brain-Computer Interfaces被引用数 6

ひとこと要約

本論文では、患者の無発作期EEGデータを条件として用いることで、高精細な合成てんかん発作EEG信号を生成する条件付き生成対抗ネットワーク（GAN）を提案する。30名のてんかん患者のデータで学習されたGANは、実データで学習した場合と同等のてんかん検出性能を示す合成発作サンプルを生成する。その結果、感度と特異度の幾何平均において全体で1.2%の向上を達成した。

ABSTRACT

Epilepsy is a chronic neurological disorder affecting more than 65 million people worldwide and manifested by recurrent unprovoked seizures. The unpredictability of seizures not only degrades the quality of life of the patients, but it can also be life-threatening. Modern systems monitoring electroencephalography (EEG) signals are being currently developed with the view to detect epileptic seizures in order to alert caregivers and reduce the impact of seizures on patients' quality of life. Such seizure detection systems employ state-of-the-art machine learning algorithms that require a considerably large amount of labeled personal data for training. However, acquiring EEG signals of epileptic seizures is a costly and time-consuming process for medical experts and patients, currently requiring in-hospital recordings in specialized units. In this work, we generate synthetic seizure-like brain electrical activities, i.e., EEG signals, that can be used to train seizure detection algorithms, alleviating the need for recorded data. First, we train a Generative Adversarial Network (GAN) with data from 30 epilepsy patients. Then, we generate synthetic personalized training sets for new, unseen patients, which overall yield higher detection performance than the real-data training sets. We demonstrate our results using the datasets from the EPILEPSIAE Project, one of the world's largest public databases for seizure detection.

研究の動機と目的

• てんかんモニタリングシステムにおけるラベル付き発作データの不足という重要な課題に対処すること。
• 無発作期データから現実的な発作期EEG信号を合成できる深層生成モデルの開発。
• 合成発作データのみでトレーニングした検出モデルが、実データでトレーニングした場合と同等の性能を示すかどうかの評価。
• 自身の発作記録が不要な新規患者向けのパーソナライズド・てんかん検出システムの実現。
• プライバシーを守りつつスケーラブルに、完全に合成データでのトレーニングが可能であることを実証すること。

提案手法

• 無発作期EEGサンプルを入力として用い、発作期EEG信号を生成する条件付きGANを学習する。
• 生成器は、学習可能な重み付きスキップ接続とガウスノイズ注入を備えたU-Netアーキテクチャを採用し、確率的特徴を付与する。
• 識別器は生成器のエンコーダアーキテクチャを共有し、実物／偽物分類のための追加の全結合層を含む。
• トレーニングの安定化とサンプル品質の向上のため、最小二乗生成対抗ネットワーク（LSGAN）損失を用いる。
• 新規の未観測患者に対して、自身の無発作期EEGを条件入力として用いて合成発作サンプルを生成する。
• 54の周波数帯域および非線形性指標ごとの特徴量を電極毎に抽出し、その特徴量を用いてランダムフォレスト分類器を合成データまたは実データのトレーニングセットで学習・評価する。

実験結果

リサーチクエスチョン

• RQ1 GANは、効果的なてんかん検出モデルのトレーニングに十分なほど現実的である合成てんかんEEG信号を生成できるか？
• RQ2 合成発作データのみでトレーニングしたてんかん検出モデルの性能が、実発作データでトレーニングした場合と同等に達するか？
• RQ3 患者自身の無発作期EEGでGANを条件づけることで、生成された発作信号のパーソナライズ化と現実性が向上するか？
• RQ4 合成データの影響が、てんかん検出における感度と特異度の幾何平均に及ぼす影響は何か？
• RQ5 このアプローチにより、自身の発作記録が不要な新規患者向けのパーソナライズドモニタリングシステムを実現できるか？

主な発見

• 合成発作サンプルでトレーニングした結果、一般データベースからの実データでトレーニングした場合と比較して、感度と特異度の幾何平均が全体で1.2%向上した。
• 29名中20名（69%）の患者において、合成データ使用時の性能が実データトレーニングを1%以上上回った。
• 合成データ使用時に1%以上の性能低下を示した患者はわずか4名にとどまり、個々の患者に対する高いロバストネスを示した。
• 個々の患者の無発作期EEGで条件づけられたことで、合成発作サンプルは患者固有の特徴を保持し、現実性と検出用途への有用性が向上した。
• 可視化では、複数のEEGチャネルにわたり、デルタ・スリー波動などのてんかん様パターンが正常に生成された。
• 本アプローチにより、実際の発作記録が不要な状態で、無発作期データと合成発作サンプルのみでてんかん検出システムをトレーニング可能となった。