[論文レビュー] Temporal Graph Convolutional Networks for Automatic Seizure Detection

Ian Covert, Balu Krishnan+5 more|arXiv (Cornell University)|May 3, 2019

EEG and Brain-Computer Interfaces参考文献 25被引用数 49

ひとこと要約

本論文は、EEGからの発作検出のための Temporal Graph Convolutional Networks（TGCN）を提案し、EEGリードの空間構造を活用して検出精度を向上させ、発作の局在化を解釈可能にする。

ABSTRACT

Seizure detection from EEGs is a challenging and time consuming clinical problem that would benefit from the development of automated algorithms. EEGs can be viewed as structural time series, because they are multivariate time series where the placement of leads on a patient's scalp provides prior information about the structure of interactions. Commonly used deep learning models for time series don't offer a way to leverage structural information, but this would be desirable in a model for structural time series. To address this challenge, we propose the temporal graph convolutional network (TGCN), a model that leverages structural information and has relatively few parameters. TGCNs apply feature extraction operations that are localized and shared over both time and space, thereby providing a useful inductive bias in tasks where one expects similar features to be discriminative across the different sequences. In our experiments we focus on metrics that are most important to seizure detection, and demonstrate that TGCN matches the performance of related models that have been shown to be state of the art in other tasks. Additionally, we investigate interpretability advantages of TGCN by exploring approaches for helping clinicians determine when precisely seizures occur, and the parts of the brain that are most involved.

研究の動機と目的

• 臨床医の EEG 読取負担を軽減することを目的とした自動発作検出の動機づけ。
• EEGデータの構造的時系列情報を利用するモデルの開発。
• 小さなパラメータ数を維持しつつ高い検出性能を達成。
• 時空間で発作発生の局在化を支援する予測の解釈性を可能にする。

提案手法

• EEGデータを構造的時系列（X, A）として表現し、Aはリード隣接グラフである。
• 時空間畳み込み(STC)層を導入し、フィルターを時間とグラフ隣接ノード間で共有する。
• 近傍集約のための2つのSTC伝搬ルール（Rule AとRule B）を提案。
• 直接的な隣接だけでなく情報伝播を拡張するためにk-step到達性A(k)を取り入れる。
• 時間軸に沿ったプーリングとさまざまなTGCNアーキテクチャ構成を探索。
• 長期頭皮 EEGデータで訓練・評価; TCNN、2D TCNN、SCNNと比較; 勾配ベースのアトリビューションとシーケンスドロップアウトによるモデルの説明可能性解析を実施。

実験結果

リサーチクエスチョン

• RQ1 TGCNはEEGリード配置の空間構造を活用して最先端の発作検出性能に匹敵できるか？
• RQ2 STC伝播ルールとk-step到達性が検出指標に与える影響は？
• RQ3 AU-ROCと高特異性感度で、TGCNはベースラインモデル（TCNN、2D TCNN、SCNN）とどう比較されるか？
• RQ4 TGCNベースの説明（アトリビューションとシーケンスドロップアウト）は臨床的に意味のある発作の局在化をもたらすか？

主な発見

モデル	AU-ROC	感度@97%特異性	感度@99%特異性
TCNN	0.926±0.019	0.648±0.042	0.466±0.034
TCNN montage	0.935±0.006	0.645±0.059	0.455±0.054
2D TCNN	0.927±0.011	0.645±0.033	0.485±0.042
2D TCNN montage	0.917±0.026	0.653±0.089	0.470±0.074
SCNN	0.931±0.031	0.669±0.061	0.460±0.039
TGCN	0.928±0.008	0.635±0.022	0.467±0.038

• TGCNは発作検出タスクで最先端モデルと同等の性能を達成する。
• 設定IIを持つRule Bを用いたアーキテクチャは、チューニングデータで強力なAU-ROCと高特異性感度を提供した。
• 5つの指標で、TGCNはTCNN、2D TCNN、SCNNと競争力のあるまたは有利な結果を示し、複数回の実行による分散を考慮すると同程度の性能だった。
• STC層は時間と空間の両方で局所化された共有特徴抽出を提供し、パラメータ効率とグラフトポロジの転移を可能にする。
• 説明可能性手法（勾配ベースのアトリビューションとシーケンスドロップアウト）は、発作の臨床解釈と一致する視覚化と脳領域局在化の洞察を提供する。
• シーケンスドロップアウトは、どの脳領域（リード）が予測に寄与しているかを示す能力をモデルに示し、焦点化された局在化を支援した。