[논문 리뷰] A MapReduce-based rotation forest classifier for epileptic seizure prediction

Samed Jukić, Abdülhamit Subaşı|arXiv (Cornell University)|2017. 12. 17.

EEG and Brain-Computer Interfaces참고 문헌 17인용 수 4

한 줄 요약

이 논문은 EEG 신호를 사용한 간질 발작 예측를 위한 MapReduce 기반 분산 Rotation Forest 분류기의 설계를 제안한다. MSPCA를 통한 노이즈 제거, WPD를 통한 특징 추출, 클러스터를 통한 병렬 학습을 통합하여 훈련 시간을 크게 단축시키면서도 높은 분류 정확도를 유지함으로써, 대용량 생물의학 데이터 응용 분야에서의 확장성과 성능을 입증한다.

ABSTRACT

In this era, big data applications including biomedical are becoming attractive as the data generation and storage is increased in the last years. The big data processing to extract knowledge becomes challenging since the data mining techniques are not adapted to the new requirements. In this study, we analyse the EEG signals for epileptic seizure detection in the big data scenario using Rotation Forest classifier. Specifically, MSPCA is used for denoising, WPD is used for feature extraction and Rotation Forest is used for classification in a MapReduce framework to correctly predict the epileptic seizure. This paper presents a MapReduce-based distributed ensemble algorithm for epileptic seizure prediction and trains a Rotation Forest on each dataset in parallel using a cluster of computers. The results of MapReduce based Rotation Forest show that the proposed framework reduces the training time significantly while accomplishing a high level of performance in classifications.

연구 동기 및 목표

• 빅데이터 환경에서 대용량 EEG 데이터를 처리하는 데 있어 발생하는 과제를 해결하기 위해.
• 분산 컴퓨팅을 활용하여 발작 탐지의 분류 성능과 훈련 효율성을 향상시키기 위해.
• 생물의학 신호 분석에 특화된 확장 가능한 병렬 앙상블 학습 프레임워크를 개발하기 위해.
• 신호 전처리, 특징 추출, 분류를 통합된 분산 파이프라인으로 통합하기 위해.

제안 방법

• 원시 EEG 신호의 품질을 햖थ기 위해 MSPCA(수정된 단일 스펙트럼 분석)를 사용하여 노이즈 제거를 수행한다.
• 사전 처리된 EEG 신호에서 구분 가능한 특징을 추출하기 위해 웨이블릿 패킷 분해(WPD)를 적용한다.
• 특징 부분공간의 회전을 통해 다수의 기저 분류기를 구성하는 Rotation Forest 앙상블 분류기를 적용한다.
• 데이터셋의 병렬 처리를 가능하게 하기 위해 MapReduce 프로그래밍 모델을 구현하여 클러스터 전역에서 Rotation Forest의 훈련을 분산 처리한다.
• 데이터를 청크 단위로 분할하고 각 청크를 맵 태스크에 할당하여 개별적으로 Rotation Forest 모델을 독립적으로 훈련시킨다.
• 리듀스 단계에서 모든 맵퍼의 결과를 집계하여 최종 앙상블 예측 모델을 구성한다.

실험 결과

연구 질문

• RQ1 분산 처리 기반의 MapReduce 기반 Rotation Forest 분류기는 대규모 EEG 데이터를 간질 발작 예측에 효과적으로 처리할 수 있는가?
• RQ2 MSPCA와 WPD의 통합이 EEG 신호 분석에서 특징의 품질과 구분 능력을 어떻게 향상시키는가?
• RQ3 직렬 처리 대비 병렬 훈련이 분류 정확도와 훈련 시간에 어떤 영향을 미치는가?
• RQ4 증가하는 데이터 볼륨과 클러스터 크기에 따라 제안된 프레임워크는 어느 정도 확장 가능한가?
• RQ5 Rotation Forest의 앙상블 구조는 발작 예측에서 강건성과 일반화 능력을 어떻게 향상시키는가?

주요 결과

• 제안된 MapReduce 기반 Rotation Forest 분류기는 순차적 구현 대비 훈련 시간을 크게 단축시켜 대규모 EEG 데이터셋의 효율적 처리를 가능하게 한다.
• 프레임워크는 높은 분류 정확도를 달성하여 간질 발작 상태와 비간질 상태를 효과적으로 구분하는 강력한 성능을 보여준다.
• MSPCA의 적용은 EEG 신호의 노이즈를 효과적으로 감소시켜 신호 대 잡음 비율을 향상시키고 특징 추출의 정확도를 높인다.
• WPD 기반 특징 추출은 발작 탐지에 필수적인 시간-주파수 특성을 성공적으로 포착한다.
• 클러스터를 통한 병렬 훈련은 확장 가능한 성능을 제공하여 실시간 또는 실시간에 가까운 임상 적용에 적합한 시스템을 만든다.
• Rotation Forest의 앙상블 구조는 분류 결과의 일반화 능력과 강건성을 향상시킨다.