[논문 리뷰] Adversarial Representation Learning for Robust Patient-Independent Epileptic Seizure Detection

Xiang Zhang, Lina Yao외 4명|arXiv (Cornell University)|2019. 09. 18.

EEG and Brain-Computer Interfaces참고 문헌 27인용 수 5

한 줄 요약

이 논문은 원시 비침습적 뇌전도(EEG) 신호를 사용하여 환자 독립적 간질 발작 탐지에 대비한 적대적 딥러닝 프레임워크를 제안한다. 적대적 훈련을 통해 EEG를 간질 관련 표현과 환자 관련 표현으로 분해하고 설명 가능성에 기여하는 주의 메커니즘을 통합함으로써, 모델은 평균 80%의 정확도를 달성하며 기존 기준보다 뛰어난 성능과 낮은 지연 시간을 보인다.

ABSTRACT

Objective: Epilepsy is a chronic neurological disorder characterized by the occurrence of spontaneous seizures, which affects about one percent of the world's population. Most of the current seizure detection approaches strongly rely on patient history records and thus fail in the patient-independent situation of detecting the new patients. To overcome such limitation, we propose a robust and explainable epileptic seizure detection model that effectively learns from seizure states while eliminates the inter-patient noises. Methods: A complex deep neural network model is proposed to learn the pure seizure-specific representation from the raw non-invasive electroencephalography (EEG) signals through adversarial training. Furthermore, to enhance the explainability, we develop an attention mechanism to automatically learn the importance of each EEG channels in the seizure diagnosis procedure. Results: The proposed approach is evaluated over the Temple University Hospital EEG (TUH EEG) database. The experimental results illustrate that our model outperforms the competitive state-of-the-art baselines with low latency. Moreover, the designed attention mechanism is demonstrated ables to provide fine-grained information for pathological analysis. Conclusion and significance: We propose an effective and efficient patient-independent diagnosis approach of epileptic seizure based on raw EEG signals without manually feature engineering, which is a step toward the development of large-scale deployment for real-life use.

연구 동기 및 목표

• 환자 간 이질성으로 인해 한 환자에서 훈련된 모델이 새로운 환자에 대해 실패하는 문제를 해결함으로써 환자 독립적 간질 발작 탐지의 과제를 해결한다.
• 환자별 역사적 데이터에 의존하지 않고도 환자 간 노이즈(예: 연령, 성별, 간질 유형)의 영향을 줄여 간질 표현 학습에 악영향을 주지 않도록 한다.
• 수동적인 특징 공학 없이 원시 EEG 신호에서 자동으로 종단 간 특징 학습을 가능하게 한다.
• 주의 메커니즘을 통해 어떤 EEG 채널이 간질 탐지 결정에 가장 기여하는지 식별함으로써 모델의 해석 가능성을 향상시킨다.
• 추출된 간질 표현에 환자 식별 정보가 최소한으로 포함되도록 개인정보 보호 프레임워크를 개발한다.

제안 방법

• 원시 EEG 신호를 두 개의 분리된 구성요소로 분해하기 위해 적대적 훈련을 활용한다: 간질 관련 표현($\mathcal{S}$)과 환자 관련 표현($\mathcal{P}$)이며, $\mathcal{S}$는 환자 신원과 무관하다.
• 생성자 네트워크를 훈련시켜 실제 간질 패tern과 구별할 수 없으며 환자 간 변동성에 강건한 간질 특화 표현 $\bar{\bm{S}}$를 생성한다.
• 판별자 네트워크를 사용하여 실제와 생성된 $\bar{\bm{S}}$ 표현을 구별함으로써, 일반화 가능한 간질 패턴을 학습하도록 모델을 강제한다.
• 학습 가능한 주의 메커니즘을 통합하여 EEG 리드에 대한 채널별 가중치를 할당함으로써 간질 진단에 가장 관련성이 높은 영역을 강조한다.
• 신호 복원 정확도를 위한 복원 손실, 표현 분리에 기여하는 적대적 손실, 주의 기반 분류 손실을 조합하여 전체 모델을 종단 간 훈련한다.
• 적대적 및 주의 모듈 이전에 시간적 컨volution 레이어를 적용하여 원시 EEG 시퀀스에서 공간-시간적 특징을 추출한다.

실험 결과

연구 질문

• RQ1 원시 EEG 신호에서 환자 간 노이즈로부터 간질 특화 패턴을 효과적으로 분리하여 환자 독립적 탐지에 기여할 수 있는가?
• RQ2 제안된 주의 메커니즘이 임상적으로 관련성이 높은 EEG 채널을 식별함으로써 모델의 해석 가능성에 어느 정도 기여하는가?
• RQ3 환자 독립적 환경에서 정확도, 지연 시간, 내구성 측면에서 기존 최고 수준의 방법과 비교해 볼 때 제안된 모델은 어떻게 성능을 내는가?
• RQ4 학습된 간질 표현에서 환자 신원 복원 위험을 최소화함으로써 모델은 환자 개인정보를 보호하는가?
• RQ5 예를 들어 투표 전략과 같은 앙상블 기법은 실시간 배포에 있어 금전적 비용이 과도하게 증가하지 않도록 하면서도 탐지 정확도를 추가로 향상시킬 수 있는가?

주요 결과

• 제안된 모델은 환자 독립적 탐지 정확도 평균 약 80%를 달성하며, 최고 수준의 기준 모델을 능가한다.
• 주의 메커니즘이 일관되게 간질 탐지에 가장 관련성이 높은 청각 피질 및 편도체 영역(예: $T3$, $T4$, $T5$, $T6$)을 식별한다. 이는 알려진 신경 해부학적 경로와 일치한다.
• 왼쪽 귀 뒷편 부근(예: $A1$) 및 왼쪽 후두엽(예: $O1$) 근처의 EEG 채널은 낮은 주의 가중치를 할당받아 간질 진단에 덜 관련성이 있음을 나타낸다.
• 모델은 낮은 테스트 지연 시간을 보이며, 임상 또는 웨어러블 환경에서 실시간 구동에 적합하다.
• 적대적 분리 기법은 간질 표현 $\bar{\bm{S}}$ 내에서 환자 특화 정보를 효과적으로 줄여 개인정보 보호를 향상시킨다.
• 기본 정확도가 80%일 때, 여러 EEG 세그먼트 간 투표와 같은 앙상블 전략을 적용하면 탐지 정확도를 99.33%까지 끌어올릴 수 있으며, 다섯 개 세그먼트에 대해 5초의 수용 가능한 지연 시간을 유지한다.