[논문 리뷰] An Explainable Model for EEG Seizure Detection based on Connectivity Features

Mohammad Mansour, Fouad Khnaisser외 1명|arXiv (Cornell University)|2020. 09. 26.

EEG and Brain-Computer Interfaces참고 문헌 37인용 수 5

한 줄 요약

이 논문은 비방향(예: 공액, 위상 고정 값) 및 방향성(예: 방향 공액, 부분 방향 공액) 연결 특징을 사용하여 EEG 간질 발작 탐지용 해석 가능한 딥러닝 모델을 제안한다. 이 모델은 순차적 서브윈도우에 대해 CNN, BiLSTM 및 주의 메커니즘을 통합하여 개발되었으며, 균형 잡힌 MIT-BIH 데이터셋에서 97.03%의 정확도를 달성하면서 활성화 기반 샐류언시 분석을 통해 특징의 중요도를 해석 가능하게 한다.

ABSTRACT

Epilepsy which is characterized by seizures is studied using EEG signals by recording the electrical activity of the brain. Different types of communication between different parts of the brain are characterized by many state of the art connectivity measures which can be directed and undirected. We propose to employ a set of undirected (spectral matrix, the inverse of the spectral matrix, coherence, partial coherence, and phaselocking value) and directed features (directed coherence, the partial directed coherence) to learn a deep neural network that detects whether a particular data window belongs to a seizure or not, which is a new approach to standard seizure classification. Taking our data as a sequence of ten sub-windows, we aim at designing an optimal deep learning model using attention, CNN, BiLstm, and fully connected layers. We also compute the relevance using the weights of the learned model based on the activation values of the receptive fields at a particular layer. Our best model architecture resulted in 97.03% accuracy using balanced MITBIH data subset. Also, we were able to explain the relevance of each feature across all patients. We were able to experimentally validate some of the scientific facts concerning seizures by studying the impact of the contributions of the activations on the decision.

연구 동기 및 목표

• EEG 신호에서 연결 기반 특징을 사용하여 간질 발작을 탐지하는 딥러닝 모델을 개발하는 것.
• 다양한 뇌 네트워크 상호작용을 포괄하기 위해 비방향 및 방향성 연결 측정치를 통합하는 것.
• 시간적 순서 모델링을 향상시키기 위해 주의 메커니즘을 통합한 모델을 설계하는 것.
• 활성화 가중치를 통해 특징 중요도를 계산하여 모델의 해석 가능성 확보.
• 모델의 예측 결과가 간질 역학에 대한 알려진 신경생리학적 사실과 일치하는지 검증하는 것.

제안 방법

• 입력 EEG 데이터는 시간 모델링을 위해 열 개의 순차적 서브윈도우로 분할된다.
• 하이브리드 딥러닝 아키텍처는 컨볼루션 레이어(CNN), 양방향 LSTM(BiLSTM), 주의 메커니즘을 갖춘 완전 연결 레이어를 통합한다.
• 연결 특징에는 스펙트럼 행렬, 공액, 부분 공액, 위상 고정 값, 방향 공액, 부분 방향 공액이 포함된다.
• 특징 중요도는 특정 레이어의 활성화 값에서 유도된 기울기 기반 샐류언시 맵을 사용하여 계산된다.
• 모델은 균형 잡힌 MIT-BIH EEG 데이터셋의 서브셋을 대상으로 엔드 투 엔드로 훈련된다.
• 각 연결 특징이 최종 간질 예측에 기여하는 바를 분석함으로써 해석 가능성이 확보된다.

실험 결과

연구 질문

• RQ1 연결 기반 특징은 EEG 간질 발작 탐지에서 딥러닝 모델의 정확도를 향상시키는가?
• RQ2 비방향 및 방향성 뇌 연결의 다양한 유형은 간질 분류에 어떻게 기여하는가?
• RQ3 주의 메커니즘은 EEG 서브윈도우의 시간적 순서 모델링을 어느 정도 향상시키는가?
• RQ4 특징 중요도 분석을 통해 모델의 예측을 의미적으로 해석할 수 있는가?
• RQ5 모델이 학습한 특징 기여도는 간질에 대한 기존 신경생리학적 이해와 일치하는가?

주요 결과

• 제안된 모델은 균형 잡힌 MIT-BIH EEG 데이터셋에서 테스트 정확도 97.03%를 달성했다.
• 비방향 및 방향성 연결 특징을 통합함으로써, 단독으로 사용할 경우보다 모델 성능이 향상되었다.
• 특징 중요도 분석은 환자별로 연결 측정치의 기여도가 다름을 드러내어 환자별 맞춤형 해석이 가능함을 보여주었다.
• 주의 메커니즘이 중요한 시간 윈도우 및 영향을 미치는 연결 특징을 효과적으로 강조하였다.
• 모델의 주의 패턴은 특정 주파수 대역에서의 증가된 동기화와 같은 알려진 간질 역학과 일치하였다.
• 샐류언시 분석을 통해 간질 발작 시작 시 위상 고정 증가와 같은 기존 과학적 관찰을 검증하였다.