[논문 리뷰] A Novel Independent RNN Approach to Classification of Seizures against Non-seizures

Xinghua Yao, Qiang Cheng외 1명|arXiv (Cornell University)|2019. 03. 22.

EEG and Brain-Computer Interfaces참고 문헌 19인용 수 24

한 줄 요약

이 논문은 시간 스케일이 점차 증가하는 데 기반한 계층적 시간 특징 추출을 활용하여 EEG 신호에서 자발적 발작/비발작 분류를 위한 새로운 독립 RNN(IndRNN) 기반 딥러닝 모델을 제안한다. 이 방법은 CHB-MIT 데이터셋에서 기존의 LSTM 및 CNN 모델을 능가하는 최신 기술 수준(SOTA)의 성능을 달성하며, 주요 발견으로는 세그먼트 길이가 분류 정확도에 상당한 영향을 미치며, 다양한 길이에서 4% 이상의 변동을 보인다는 점을 확인하였다.

ABSTRACT

In current clinical practices, electroencephalograms (EEG) are reviewed and analyzed by trained neurologists to provide supports for therapeutic decisions. Manual reviews can be laborious and error prone. Automatic and accurate seizure/non-seizure classification methods are desirable. A critical challenge is that seizure morphologies exhibit considerable variabilities. In order to capture essential seizure features, this paper leverages an emerging deep learning model, the independently recurrent neural network (IndRNN), to construct a new approach for the seizure/non-seizure classification. This new approach gradually expands the time scales, thereby extracting temporal and spatial features from the local time duration to the entire record. Evaluations are conducted with cross-validation experiments across subjects over the noisy data of CHB-MIT. Experimental results demonstrate that the proposed approach outperforms the current state-of-the-art methods. In addition, we explore how the segment length affects the classification performance. Thirteen different segment lengths are assessed, showing that the classification performance varies over the segment lengths, and the maximal fluctuating margin is more than 4%. Thus, the segment length is an important factor influencing the classification performance.

연구 동기 및 목표

• 수동 신경과 전문의 검토에 의존하는 것을 줄이기 위해 자동화된 딥러닝 기반의 발작 대비 비발작 EEG 세그먼트 분류 방법을 개발하는 것.
• EEG 신호 내에서 환자 간 및 환자 내 발작 형태의 높은 변동성 문제를 해결하는 것.
• 세그먼트 길이가 발작 탐지에서 분류 성능에 미치는 영향을 조사하는 것.
• 특히 장기 시퀀스 처리와 기울기 소실/폭발 문제 완화 능력 덕분에 시간 특징 학습을 향상시킬 수 있는 IndRNN의 장점을 활용하는 것.

제안 방법

• 모델은 각 레이어 후에 배치 정규화를 적용하여 학습 안정성과 내부 공변수 이동 감소를 도모하는 단방향 IndRNN 아키텍처를 사용한다.
• 다중 IndRNN 레이어와 최대 풀링을 조합하여 계층적 시간 특징 추출을 구현하며, 이는 국소적 시간 간격에서 전체 신호 지속 시간까지 점차 확장되는 효과적 시간 스케일을 가능하게 한다.
• 다중 채널 EEG 신호에서 공간적 특징을 추출한 후, 채널 간 특징을 평균 풀링을 통해 통합한다.
• 최종 특징은 두 개의 완전 연결 레이어를 통해 분류에 전달되며, 출력 레이어에는 시그모이드 활성화 함수를 사용한다.
• 모델은 노이즈가 많은 CHB-MIT EEG 데이터셋에서 환자별 교차 검증을 통해 학습되며, 세그먼트 길이를 체계적으로 변화시킨다.
• 이중 방향 IndRNN 변형은 성능 향상이 미미하고 계산 비용이 높아 폐기되었다.

실험 결과

연구 질문

• RQ1 제안된 IndRNN 기반 접근법은 기존 최신 기술 수준의 방법들(LSTM, CNN 등)과 비교해 발작 대비 비발작 EEG 세그먼트 분류에서 어떻게 성능을 내는가?
• RQ2 세그먼트 길이의 선택이 발작/비발작 분류 성능에 어느 정도의 영향을 미치는가?
• RQ3 비선형적이고 동적인 특성을 지닌 EEG 신호에서 IndRNN 모델이 장기적 시간 상관관계를 효과적으로 포착할 수 있는가?
• RQ4 IndRNN의 성능 향상은 기존 RNN 또는 LSTM과 비교해 더 깊은 네트워크와 더 긴 시퀀스 처리 능력 덕분인가?

주요 결과

• 제안된 IndRNN 기반 방법은 LSTM 및 CNN 모델보다 뛰어난 성능을 보였으며, 민감도, 특이도, 정밀도에서 각각 2% 이상의 향상을 달성하였다.
• 다양한 세그먼트 길이에서 분류 성능에 4% 이상의 최대 변동 폭을 보이며, 세그먼트 길이가 핵심 하이퍼파라미터임을 확인하였다.
• 세그먼트 길이가 90초일 때 가장 높은 성능가를 기록하였으며, 이때 민감도, 특이도, 정밀도가 가장 유리한 결과를 보였다.
• F1 스코어와 정확도의 경우, 세그먼트 길이에 따른 최대 차이가 3%를 초과하여, 세그먼트 길이가 모델 결과에 미치는 영향이 상당히 크다는 점을 추가로 확인하였다.
• 성능 향상이 미미하고 계산 비용이 높아 이중 방향 버전보다 단일 방향 IndRNN 구성이 선호되었다.
• 모델은 국소 시간 단위에서 전체 EEG 기록까지 다양한 척도의 계층적 시간 특징을 효과적으로 포착하여, 발작 탐지의 강건성을 향상시켰다.