[논문 리뷰] A Robust Deep Learning Approach for Automatic Classification of Seizures Against Non-seizures

Xinghong Yao, X. Li외 4명|arXiv (Cornell University)|2018. 12. 17.

EEG and Brain-Computer Interfaces참고 문헌 28인용 수 8

한 줄 요약

이 논문은 EEG 신호에서 자발적 뇌전증/비뇌전증 분류를 향상시키기 위해 이원방향 장기 단기 기억망(BiLSTM) 네트워크와 채널별 주의 메커니즘을 조합한 새로운 딥러닝 모델을 제안한다. 주의 가중치를 통한 채널 기여도 기반으로 공간적 특징을 캡처하고, 정방향 및 역방향 시퀀스 모델링을 통해 시간적 동역학을 반영함으로써, 노이즈가 있는 CHB-MIT EEG 데이터에서 교차검증 시 87.0% 민감도, 88.6% 특이도, 88.63% 정밀도를 달성하였으며, 기존 최고 성능 모델보다 변동성이 낮게 성능을 뛰어넘었다.

ABSTRACT

Identifying epileptic seizures through analysis of the electroencephalography (EEG) signal becomes a standard method for the diagnosis of epilepsy. Manual seizure identification on EEG by trained neurologists is time-consuming, labor-intensive and error-prone, and a reliable automatic seizure/non-seizure classification method is needed. One of the challenges in automatic seizure/non-seizure classification is that seizure morphologies exhibit considerable variabilities. In order to capture essential seizure patterns, this paper leverages an attention mechanism and a bidirectional long short-term memory (BiLSTM) to exploit both spatial and temporal discriminating features and overcome seizure variabilities. The attention mechanism is to capture spatial features according to the contributions of different brain regions to seizures. The BiLSTM is to extract discriminating temporal features in the forward and the backward directions. Cross-validation experiments and cross-patient experiments over the noisy data of CHB-MIT are performed to evaluate our proposed approach. The obtained average sensitivity of 87.00%, specificity of 88.60% and precision of 88.63% in cross-validation experiments are higher than using the current state-of-the-art methods, and the standard deviations of our approach are lower. The evaluation results of cross-patient experiments indicate that, our approach has better performance compared with the current state-of-the-art methods and is more robust across patients.

연구 동기 및 목표

• EEG 기반 뇌전증 탐지에서 환자 간 및 환자 내에서 뇌전증 형태의 높은 변동성 문제를 해결하기 위해.
• EEG 신호의 공간적(채널 수준) 및 시간적(시계열) 특징을 동시에 모델링하여 자동 뇌전증/비뇌전증 분류를 향상시키기 위해.
• 환자 특화 재학습 없이도 다양한 개인에게 잘 일반화되는 강건한, 환자 무관 모델을 개발하기 위해.
• 사전 훈련 모델이나 수작업 특징 추출에 의존하지 않고, 엔드 투 엔드 딥러닝을 통해 원시 EEG 데이터에서 직접 특징를 학습하기 위해.

제안 방법

• 각 채널의 뇌전증 탐지 기여도에 따라 동적으로 중요도 가중치를 할당하기 위해 EEG 채널을 기준으로 주의 메커니즘을 적용한다.
• 이원방향 LSTM(BiLSTM)이 정방향 및 역방향으로 EEG 시퀀스를 처리하여 과거 및 미래의 시간적 의존성을 모두 캡처한다.
• BiLSTM의 출력을 시간단위 패치로 나누어 각각을 독립적으로 처리하여 局부 특징을 추출한다.
• 최종 특징 표현에 대해 전역 평균 풀링을 적용하여 분류를 위한 통합된 세그먼트 수준의 임베딩을 확보한다.
• 사전 훈련 없이 원시 EEG 데이터에서 엔드 투 엔드로 훈련하여 입력 신호에서 직접 특징를 학습할 수 있도록 한다.
• 주의 메커니즘이 시간 단위 간에 공유되며, 짧은 기간 동안 공간 기여도(채널 중요도)가 안정적이라고 가정한다.

실험 결과

연구 질문

• RQ1 채널별 주의 메커니즘을 갖춘 BiLSTM는 표준 LSTM나 CNN 기반 모델 대비 뇌전증/비뇌전증 분류 성능을 향상시킬 수 있는가?
• RQ2 정방향 및 역방향 시간적 의존성을 동시에 모델링하면 EEG에서 다양하게 변하는 뇌전증 패tern 탐지에 도움이 되는가?
• RQ3 주의 메커니즘이 다양한 환자 간에서 뇌전증 탐지에 가장 유용한 뇌 영역을 효과적으로 식별할 수 있는가?
• RQ4 환자 간 설정에서, 환자 특화 패턴이 크게 다를 경우 본 방법의 성능은 어떠한가?
• RQ5 사전 훈련 없이도 사전 훈련이 필요한 모델 대비 강건성과 일반화 능력이 향상되는가?

주요 결과

• 교차검증 실험에서, 모델은 노이즈가 있는 CHB-MIT EEG 데이터에서 평균 민감도 87.00%, 특이도 88.60%, 정밀도 88.63%를 달성하였다.
• 민감도(0.0363), 특이도(0.0463), 정밀도(0.0388)의 표준편차는 기존 최고 수준의 방법보다 낮은 변동성을 나타내어 안정성을 입증한다.
• 환자 간 실험에서, 모델은 민감도 83.72%, 특이도 84.06%, 정밀도 85.36%를 기록하여 환자 간 일반화 능력이 뛰어나다는 것을 입증하였다.
• 논문 [4]의 순환형 CNN 방법과 논문 [34]의 REVEAL 알고리즘을 모두 능가하였으며, 민감도(61%)가 높고 더 안정적인 성능을 보였다.
• 주의 메커니즘이 환자별 채널 가중치를 가능하게 하여, 균일한 채널 처리보다 특징 추출 능력이 향상되었다.
• 단일 채널 EEG 데이터는 열악한 성능을 보였으며, 신뢰할 수 있는 뇌전증 탐지에 다중 채널 통합의 필요성을 확인하였다.