[논문 리뷰] Addressing Class Imbalance in Classification Problems of Noisy Signals by using Fourier Transform Surrogates

Justus T. C. Schwabedal, John Snyder외 3명|arXiv (Cornell University)|2018. 06. 20.

EEG and Brain-Computer Interfaces인용 수 19

한 줄 요약

이 논문은 생체의학 신호 분류에서의 클래스 불균형 문제를 해결하기 위해 푸리에 변환 서로가를 활용한다. 특히 노이즈가 많은 EEG/EOG/EMG 데이터에서 희귀 수면 단계에 대해 적용한다. 위상 랜덤화를 통해 통계적으로 타당한 합성 예제를 생성하고 데이터 증강에 적용함으로써, 수면 단계 분류를 위한 1D 컨volution 신경망에서 평균 F1 스코어를 7% 향상시켰으며, 동시에 모델 결정을 해석할 수 있는 새로운 샐류언시 맵을 제공한다.

ABSTRACT

Randomizing the Fourier-transform (FT) phases of temporal-spatial data generates surrogates that approximate examples from the data-generating distribution. We propose such FT surrogates as a novel tool to augment and analyze training of neural networks and explore the approach in the example of sleep-stage classification. By computing FT surrogates of raw EEG, EOG, and EMG signals of under-represented sleep stages, we balanced the CAPSLPDB sleep database. We then trained and tested a convolutional neural network for sleep stage classification, and found that our surrogate-based augmentation improved the mean F1-score by 7%. As another application of FT surrogates, we formulated an approach to compute saliency maps for individual sleep epochs. The visualization is based on the response of inferred class probabilities under replacement of short data segments by partial surrogates. To quantify how well the distributions of the surrogates and the original data match, we evaluated a trained classifier on surrogates of correctly classified examples, and summarized these conditional predictions in a confusion matrix. We show how such conditional confusion matrices can qualitatively explain the performance of surrogates in class balancing. The FT-surrogate augmentation approach may improve classification on noisy signals if carefully adapted to the data distribution under analysis.

연구 동기 및 목표

• 희귀 수면 단계(예: S1 및 S3)에 대해 생체의학 신호 분류에서의 클래스 불균형 문제를 해결하기 위해.
• 희귀 신호 클래스의 통계적 특성을 손상시키지 않으면서 과적합을 방지하는 데이터 증강 방법을 개발하기 위해.
• 부분 서로가 대체를 통해 유의미한 샐류언시 맵을 생성하여 모델 예측에 영향을 주는 신호 특징을 드러내기 위해.
• 조건부 혼동 행렬을 사용하여 분류기 성능을 분석함으로써 서로가 품질을 평가하기 위해.
• 낮은 데이터 환경에서 IAAFT 서로가가 단순 FT 서로가보다 일반화 성능을 향상시키는지 탐색하기 위해.

제안 방법

• 원본 신호의 진폭 스펙트럼을 유지하면서 위상 성분을 랜덤화하여 푸리에 변환 서로가를 생성한다.
• 이러한 서로가를 CAPSLPDB 데이터베이스의 희귀 수면 단계에 적용하여 합성 학습 예제를 생성한다.
• 증강된 데이터셋을 기반으로 1D 컨volution 신경망을 훈련시켜 수면 단계 분류를 수행한다.
• 짧은 신호 세그먼트를 부분 서로가로 대체하고 예측된 클래스 확률의 변화를 측정함으로써 샐류언시 맵을 구성한다.
• 훈련된 분류기를 정확하게 분류한 예시의 서로가로 테스트하여 서로가의 정밀도를 평가하고, 결과를 조건부 혼동 행렬에 요약한다.
• 단순 FT 서로가와 IAAFT(반복적 진폭 보정 푸리에) 서로가를 비교하여 모델 성능 및 일반화에 미치는 영향을 평가한다.

실험 결과

연구 질문

• RQ1 푸리에 변환 서로가가 불균형한 생체의학 신호 데이터셋을 효과적으로 증강하여 딥러닝 모델 성능을 향상시킬 수 있는가?
• RQ2 서로가 기반 샐류언시 맵은 분류 결정에 가장 영향을 주는 시간적 특징을 어떻게 드러내는가?
• RQ3 낮은 데이터 환경에서 IAAFT 서로가가 표준 FT 서로가보다 더 나은 일반화 성능을 보이는가?
• RQ4 서로가 기반 조건부 혼동 행렬은 진정한 데이터 분포와 모델의 강건성을 어느 정도 반영하는가?
• RQ5 부분 서로가 대체를 통해 K-복합체와 같은 일시적인 특징을 탐지할 수 있는가? 이는 수면 단계를 구분하는 데 핵심적인 요소이다.

주요 결과

• 제안된 서로가 기반 데이터 증강 기법은 수면 단계 분류에서 평균 F1 스코어를 7% 향상시켜 불균형 데이터에서 뚜렷한 성능 향상을 입증했다.
• 부분 서로가 대체를 통해 생성된 샐류언시 맵은 전체 정확도가 낮은 상황에서도 REM과 S2 단계를 구분하는 데 핵심적인 역할을 하는 K-복합체의 중요성을 성공적으로 강조했다.
• 서로가 기반 조건부 혼동 행렬 분석 결과, IAAFT 서로가는 단순 서로가보다 높은 정확도와 낮은 레이블 혼합을 보였으며, 이는 더 높은 분포 적합도를 의미한다.
• 이 방법은 단순 서로가가 K-복합체와 같은 국소적 특징을 유지하지 못해 잘못된 시각적 표현을 유도하고 잠재적인 오해를 초래할 수 있음을 밝혀냈다.
• 결과적으로 IAAFT 서로가는 표준 서로가보다 과적합 위험을 줄일 수 있으며, 이는 잠재적인 분포 구조의 이해가 아직 부족하다는 점을 감안할 때도 그렇다.
• 이 방법은 일시적인 사건으로 인한 모호하거나 잘못 레이블링된 에포크를 체계적으로 식별할 수 있어 수면 단계 분석의 데이터 품질 향상에 기여할 수 있다.