[論文レビュー] Universal Spike Classifier

Muhammad Saif-ur-Rehman, Robin Lienkämper+9 more|arXiv (Cornell University)|Nov 7, 2018

EEG and Brain-Computer Interfaces参考文献 25被引用数 3

ひとこと要約

本論文では、畳み込みニューラルネットワークを用いて、神経記録チャンネルがスパイクを含むかアーチファクトを含むかを自動で分類する深層学習ベースの手法であるUniversal Spike Classifier（USC）を紹介する。テトラプレジック患者のユタアレイからのデータで訓練されたUSCは、再訓練を必要とせず、てんかん患者や追加のテトラプレジック被験者を含む多様なデータセットへも効果的に一般化可能であり、多様な神経記録条件において堅牢で自動的なスパイク検出を可能にする。

ABSTRACT

In electrophysiology, microelectrodes are the primary source for recording neural data of single neurons (single unit activity). These microelectrodes can be implanted individually, or in the form of microelectrodes arrays, consisting of hundreds of electrodes. During recordings, some channels capture the activity of neurons, which is usually contaminated with external artifacts and noise. Another considerable fraction of channels does not record any neural data, but external artifacts and noise. Therefore, an automatic identification and tracking of channels containing neural data is of great significance and can accelerate the process of analysis, e.g. automatic selection of meaningful channels during offline and online spike sorting. Another important aspect is the selection of meaningful channels during online decoding in brain-computer interface applications, where threshold crossing events are usually for feature extraction, even though they do not necessarily correspond to neural events. Here, we propose a novel algorithm based on the newly introduced way of feature vector extraction and a supervised deep learning method: a universal spike classifier (USC). The USC enables us to address both above-raised issues. The USC uses the standard architecture of convolutional neural networks (Conv net). It takes the batch of the waveforms, instead of a single waveform as an input, propagates it through the multilayered structure, and finally classifies it as a channel containing neural spike data or artifacts. We have trained the model of USC on data recorded from single tetraplegic patient with Utah arrays implanted in different brain areas. This trained model was then evaluated without retraining on the data collected from six epileptic patients implanted with depth electrodes and two tetraplegic patients implanted with two Utah arrays, individually.

研究の動機と目的

• 電気生理学的記録におけるスパイクを含むチャンネルの自動特定を実現し、スパイクソーティングにおける人的作業を削減すること。
• 単一セルおよびマルチエレクトロードアレイ記録において、神経スパイクとノイズ・アーチファクトを区別する課題に対処すること。
• 特徴抽出のための意味のあるチャンネルの信頼性ある選択を可能にすることで、ブレインコンピュータインターフェースにおけるリアルタイム・オンライン復号を実現すること。
• 再訓練を必要とせず、異なる被験者や記録設定においても良好に動作する汎用的なモデルの開発

提案手法

• USCは、個々の波形ではなく、複数の生の神経波形をバッチとして入力とする畳み込みニューラルネットワーク（CNN）アーキテクチャを採用している。
• 特徴抽出は、波形バッチ全体の時間的および振幅的特性を捉える新規な手法によって実施される。
• 訓練は、ユタアレイインプラントを有する1名のテトラプレジック被験者からのラベル付きデータを用いて教師あり学習で実施された。
• 訓練済みモデルは、深部電極を用いた6名のてんかん被験者および2名の追加のテトラプレジック被験者からの独立したデータセットで評価された。
• 本手法は、波形バッチ内の空間的および時間的パターンを活用することで、多様な記録条件において分類の堅牢性を向上させている。
• 外部データセットへの評価時には、ファインチューニングや再訓練が一切施されていないため、モデルの一般化能力が明確に示された。

実験結果

リサーチクエスチョン

• RQ1 1名の被験者からの神経データで訓練された深層学習モデルが、異なる電極タイプおよび脳領域を有する他の被験者の記録においても、スパイクを含むチャンネルを分類できるか？
• RQ2 再訓練を伴わずに、多様な記録条件において、USCが神経スパイクとノイズ・アーチファクトをどれほど効果的に区別できるか？
• RQ3 個々の波形処理手法と比較して、バッチベースの波形処理が分類性能にどれほど向上効果をもたらすか？
• RQ4 USCは、ブレインコンピュータインターフェース応用におけるリアルタイム・オンラインスパイク検出を支援できるか？
• RQ5 異なる神経疾患を有する被験者や異なる電極構成からのデータに対しても、モデルは高い正確性を維持できるか？

主な発見

• USCは、再訓練を一切行わず、6名のてんかん被験者および2名の追加のテトラプレジック被験者からの独立したデータセットにおいても高い分類精度を達成した。
• モデルは、異なる脳領域、電極タイプ（ユタアレイおよび深部電極）および被験者集団においても、効果的に一般化された。
• バッチ処理入力機構により、ノイズやアーチファクトの中での微細なスパイクパターンの検出能力が向上した。
• USCは、スパイクソーティングおよびオンライン復号に適した意味のあるチャンネルを効果的に同定し、人的なチャンネル選択への依存を低減した。
• 閾値を超過するイベントが特徴抽出に用いられるブレインコンピュータインターフェースの現場応用においても、本手法は堅牢性を示した。
• 結果から、1つの良好に訓練されたUSCモデルが、多様な神経記録環境において普遍的なスパイク検出ツールとして機能できることを確認した。