[논문 리뷰] A hybrid automated detection of epileptic seizures in EEG based on wavelet and machine learning techniques

Asmaa Hamad, Aboul Ella Hassanien외 2명|arXiv (Cornell University)|2018. 07. 13.

EEG and Brain-Computer Interfaces인용 수 4

한 줄 요약

이 연구는 특징 추출에 이산 웨이블릿 변환(DWT)을 사용하고 분류에 세 가지 기계 학습 분류기—SVMRBF, KNN, Naive Bayes—를 적용한 하이브리드 EEG 기반 간질 발작 탐지 시스템을 제안한다. 이 방법은 SVMRBF를 사용하여 정상 EEG 신호와 간질 EEG 신호를 100% 정확도로 구분하며, 이는 이전의 방법들을 능가하고 여러 테스트 케이스에서 높은 신뢰성을 보여준다.

ABSTRACT

Epilepsy is a neurological condition such that it affects the brain and the nervous system. It is characterized by recurrent seizures, which are physical reactions to sudden, usually brief, excessive electrical discharges in a group of brain cells. Hence, seizure identification has great importance in clinical therapy of epileptic patients. Electroencephalogram (EEG) is one of the main biomarker that can measure voltage fluctuations of the brain and EEG data analysis helps to investigate the patient with epilepsy syndrome as epilepsy leaves their signature in EEG signals. In this paper, the Discrete Wavelet Transform (DWT) is applied to EEG signals to pre-processing, decompose it till the 4th level of decomposition tree.Various features like Entropy, Min, Max, Mean, Median, Standard deviation, Variance, Skewness, Energy and Relative Wave Energy (RWE) were computed in terms of detailed coefficients and the approximation coefficients of the last decomposition level.Then, the extracted features are evaluated by three modern machine-learning classifiers such as Radial Basis Function based Support Vector Machine (SVMRBF), k-Nearest Neighbor (KNN) and Naive Bayes (NB). The experimental results demonstrate that the highest classification accuracy (100\\%) for normal subject data versus epileptic data is obtained by SVMRBF. the corresponding accuracy between normal subject data and epileptic data using KNN and NB is obtained as 99.50\\% and 99\\% for the eyes open and eyes closed conditions, respectively. The similar accuracies, while comparing the interictal and ictal data, are obtained as 99\\%, 97.50\\% and 98.50\\% using the SVMRBF, KNN and NB classifiers, respectively. These accuracies are quite higher than earlier results published.

연구 동기 및 목표

• 시각적 해석에 소요되는 시간을 줄이기 위해 간질 발작을 자동으로 정확하고 효율적으로 탐지할 수 있는 방법을 개발하기 위해.
• 웨이블릿 기반 특징 추출과 고급 기계 학습 모델을 융합하여 분류 성능을 향상시키기 위해.
• 정상, 간질 간격기, 발작기 EEG 상태를 구분하는 데 있어 SVMRBF, KNN, Naive Bayes 분류기의 효과를 평가하고 비교하기 위해.
• 임상 의사결정 지원에 기여할 수 있는 강력하고 재현 가능한 EEG 기반 발작 탐지 프레임워크를 구축하기 위해.

제안 방법

• 이산 웨이블릿 변환(DWT)을 EEG 신호에 적용하여 최대 4번째 분해 수준까지 세부 정보 및 근사 계수를 추출한다.
• DWT 계수에서 엔트로피, 최소값, 최대값, 평균, 중앙값, 표준편차, 분산, 왜도, 에너지, 상대 웨이블릿 에너지(RWE) 등 총 10개의 특징을 계산한다.
• 추출된 특징을 바탕으로 세 가지 기계 학습 분류기—기저 함수 기반 서포트 벡터 머신(SVMRBF), k-최근접 이웃(KNN), 나이브 베이즈(NB)—에 입력한다.
• 10겹 교차검증을 통해 분류기를 훈련 및 테스트하며, 데이터의 90%는 훈련에, 10%는 테스트에 사용한다. 이를 10회 반복하여 통계적 신뢰성을 확보한다.
• 정확도, 민감도, 특이도, 정밀도 및 F-측정치를 사용하여 분류 성능을 평가한다.
• 정상(눈 감음/열림), 간질 간격기, 발작기 EEG 데이터를 비교하여 네 가지 테스트 케이스에서 방법을 검증한다.

실험 결과

연구 질문

• RQ1 DWT 기반 특징 추출이 간질 발작 탐지에 있어 EEG 신호의 구분 가능한 패턴을 효과적으로 포착할 수 있는가?
• RQ2 SVMRBF, KNN, Naive Bayes 분류기 간에 정상 EEG와 간질 EEG 상태를 분류하는 데 있어 성능는 어떻게 비교되는가?
• RQ3 제안된 하이브리드 시스템의 분류 정확도는 다양한 EEG 신호 유형(예: 눈 뜨기, 눈 감기, 간질 간격기, 발작기)에서 어떻게 되는가?
• RQ4 웨이블릿 특징과 기계 학습 모델을 통합함으로써 기존 방법에 비해 탐지 정확도가 유의미하게 향상되는가?

주요 결과

• SVMRBF 분류기는 정상 EEG(눈 뜨기)와 간질 발작 활동을 100% 정확도로 구분하였으며, 민감도와 특이도 모두 100%를 기록했다.
• 눈 감기 조건에서는 SVMRBF가 100% 정확도를 유지했고, KNN과 Naive Bayes는 각각 99.5%와 99%의 정확도를 기록했다.
• 간질 간격기와 발작기 EEG 신호를 분류하는 데서는 SVMRBF가 97%의 정확도를, KNN과 Naive Bayes는 각각 96.5%의 정확도를 기록하여 모든 케이스에서 뛰어난 성능를 보였다.
• 제안된 방법은 이전 연구들—예를 들어, PE를 사용한 SVM의 85.16%, 웨이블릿 + ANN의 95.2%, GP + KNN의 99.2%—를 초월하여 높은 정확도를 기록하였다.
• DWT 계수에서 추출된 상대 웨이블릿 에너지(RWE) 및 기타 통계적 특징들이 EEG 신호의 간질 발작 관련 패턴을 효과적으로 포착하는 데 기여하였다.
• 10겹 교차검증 결과는 모든 테스트 케이스에서 일관되고 높은 성능를 보이며, 제안된 프레임워크의 강건성과 일반화 능력을 확인했다.