[논문 리뷰] A Generalised Seizure Prediction with Convolutional Neural Networks for Intracranial and Scalp Electroencephalogram Data Analysis

Nhan Duy Truong, Anh Duy Nguyen외 4명|arXiv (Cornell University)|2017. 07. 06.

EEG and Brain-Computer Interfaces참고 문헌 21인용 수 59

한 줄 요약

논문은 30초 EEG 창의 Short-Time Fourier Transform(STFT) 표현에 CNN을 적용한 일반화된 최소 특징 엔지니어링 발작 예측 방법을 제시하며, 뇌실내(intracranial) 및 두피(scialp) 데이터에 모두 적용 가능하다.

ABSTRACT

Seizure prediction has attracted a growing attention as one of the most challenging predictive data analysis efforts in order to improve the life of patients living with drug-resistant epilepsy and tonic seizures. Many outstanding works have been reporting great results in providing a sensible indirect (warning systems) or direct (interactive neural-stimulation) control over refractory seizures, some of which achieved high performance. However, many works put heavily handcraft feature extraction and/or carefully tailored feature engineering to each patient to achieve very high sensitivity and low false prediction rate for a particular dataset. This limits the benefit of their approaches if a different dataset is used. In this paper we apply Convolutional Neural Networks (CNNs) on different intracranial and scalp electroencephalogram (EEG) datasets and proposed a generalized retrospective and patient-specific seizure prediction method. We use Short-Time Fourier Transform (STFT) on 30-second EEG windows with 50% overlapping to extract information in both frequency and time domains. A standardization step is then applied on STFT components across the whole frequency range to prevent high frequencies features being influenced by those at lower frequencies. A convolutional neural network model is used for both feature extraction and classification to separate preictal segments from interictal ones. The proposed approach achieves sensitivity of 81.4%, 81.2%, 82.3% and false prediction rate (FPR) of 0.06/h, 0.16/h, 0.22/h on Freiburg Hospital intracranial EEG (iEEG) dataset, Children's Hospital of Boston-MIT scalp EEG (sEEG) dataset, and Kaggle American Epilepsy Society Seizure Prediction Challenge's dataset, respectively. Our prediction method is also statistically better than an unspecific random predictor for most of patients in all three datasets.

연구 동기 및 목표

• 개별 환자 특징 엔지니어링을 줄이는 일반화 가능한 발작 예측 방법의 동기를 제시한다.
• CNN이 EEG의 STFT 기반 이미지 표현으로부터 데이터 세트 간 학습이 가능함을 보여준다.
• 프라이부르크 iEEG, CHB-MIT sEEG, 그리고 Kaggle 발작 데이터 세트에서 교차 데이터셋 성능을 평가한다.

제안 방법

• 30초 EEG 창을 STFT 스펙트로그램 유사 행렬(주파수 x 시간)로 변환한다.
• 간단한 CNN을 세 개의 컨볼루션 블록으로 적용하여 특징을 추출하고 preictal과 interictal 구간을 분류한다.
• preictal 신호를 따라 30초 창을 슬라이딩하여 추가 샘플을 생성함으로써 학습 데이터를 균형 있게 만든다.
• 배치 정규화, ReLU, 각 블록에서 최대 풀링을 적용하고 드롭아웃이 있는 두 개의 완전 연결 계층으로 구성한다.
• 이상 탐지 감소를 위한 k-of-n 규칙으로 예측을 후처리한다.
• Leave-one-out 교차 검증당 주체별 SPH=5 분, SOP=30 분으로 평가한다.

실험 결과

연구 질문

• RQ1 CNN이 환자 특이적 특징 공학 없이 iEEG와 sEEG 모두에서 STFT EEG 표현으로부터 구별 가능한 특징을 학습할 수 있는가?
• RQ2 같은 CNN 아키텍처와 전처리를 서로 다른 EEG 데이터 세트에 적용했을 때 예측 성능과 거짓 경보율은 어떠한가?
• RQ3 제안된 접근법이 데이터 세트 간에 무작위 예측기보다 통계적으로 유의미한 예측을 달성하는가?

주요 결과

• Freiburg iEEG 및 CHB-MIT sEEG 데이터 세트에서 민감도 약 81%, FPR은 시간당 0.06에서 0.22 사이.
• Kaggle 데이터 세트는 민감도 75%, FPR 0.21/시간.
• CNN 기반 방법은 STFT 입력을 사용하여 특징 엔지니어링을 최소화한 채로 뇌내 및 두피 EEG 모두에 일반화된다.
• 검증 전략과 SPH/SP SOP 정의가 견고한 벤치마킹을 가능하게 하도록 명확히 서술되어 있다.
• 대부분의 환자/데이터 세트에서 무작위 예측기에 비해 통계적 유의성을 보인다.