[논문 리뷰] Automated Classification of Seizures against Nonseizures: A Deep Learning Approach

Xinghua Yao, Qiang Cheng외 1명|arXiv (Cornell University)|2019. 06. 05.

EEG and Brain-Computer Interfaces참고 문헌 27인용 수 21

한 줄 요약

이 논문은 독립형 순환 신경망(IndRNN), 밀집 연결 구조, 그리고 주의 메커니즘을 통합한 딥러닝 모델인 ADIndRNN을 제안한다. 이 모델은 뇌파(EEG) 발작 및 비발작 세그먼트를 자동으로 분류하는 데 목적이 있다. 노이즈가 많은 CHB-MIT 데이터셋에서 이 방법은 민감도 88.80%, 특이도 88.60%, 정밀도 88.69%를 기록하였으며, 기준 모델인 LSTM 및 CNN보다 핵심 지표에서 최소 4% 이상 뛰어나다.

ABSTRACT

In current clinical practice, electroencephalograms (EEG) are reviewed and analyzed by well-trained neurologists to provide supports for therapeutic decisions. The way of manual reviewing is labor-intensive and error prone. Automatic and accurate seizure/nonseizure classification methods are needed. One major problem is that the EEG signals for seizure state and nonseizure state exhibit considerable variations. In order to capture essential seizure features, this paper integrates an emerging deep learning model, the independently recurrent neural network (IndRNN), with a dense structure and an attention mechanism to exploit temporal and spatial discriminating features and overcome seizure variabilities. The dense structure is to ensure maximum information flow between layers. The attention mechanism is to capture spatial features. Evaluations are performed in cross-validation experiments over the noisy CHB-MIT data set. The obtained average sensitivity, specificity and precision of 88.80%, 88.60% and 88.69% are better than using 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

• 발작 상태와 비발작 상태에서 발생하는 EEG 신호의 높은 변동성을 다루기 위한 도전 과제를 해결하기 위해.
• 원시 EEG 데이터를 직접 처리할 수 있는 딥러닝 모델을 개발하여 시간적 동역학과 공간적(채널별) 특징을 모두 포착하기 위해.
• 기존 RNN의 한계, 예를 들어 기울기 소실 및 깊이 확장성 부족 문제를 해결하기 위해 스택된 레이어를 사용한 IndRNN을 활용하기 위해.
• 최대한의 정보 흐름을 확보하고 기울기 감쇠를 완화하기 위해 밀집 연결 구조를 통합함으로써 특징 표현을 향상시키기 위해.
• 세그먼트 길이가 분류 성능에 미치는 영향을 조사하여 신뢰할 수 있는 탐지에 적합한 창 크기를 규명하기 위해.

제안 방법

• 제안된 모델인 ADIndRNN은 EEG 시계열에서 장기적 시간적 의존성을 모델링하기 위해 독립형 순환 신경망(IndRNN)을 사용한다.
• 밀집 연결 구조는 각 레이어가 이전 모든 레이어의 특징 맵을 수신함으로써 정보 흐름을 극대화하고 기울기 감쇠를 완화한다.
• 주의 메커니즘은 각 채널별 가중치를 학습하여 발작에 더 높은 구분 능력을 지닌 뇌 영역을 적응적으로 강조한다.
• 양방향 아키텍처를 사용하여 시계열의 과거와 미래 양쪽에서의 맥락을 포착함으로써 특징 표현을 향상시킨다.
• CHB-MIT 데이터셋을 기반으로 교차 검증을 수행하며, 표준 역전파를 통해 손실을 최소화하는 방식으로 엔드 투 엔드로 네트워크를 훈련시킨다.
• 성능에 미치는 영향을 평가하기 위해 세그먼트 길이를 13개의 구성으로 다양화하였으며, 비교를 위한 기준으로 23초를 선택하였다.

실험 결과

연구 질문

• RQ1 IndRNN, 밀집 연결 구조, 주의 메커니즘의 통합이 표준 RNN 및 CNN에 비해 발작/비발작 분류 정확도를 얼마나 향상시키는가?
• RQ2 EEG 분류에 가장 적합한 세그먼트 길이는 무엇이며, 이는 민감도, 특이도, 정밀도에 어떤 영향을 미치는가?
• RQ3 주의 메커니즘이 다양한 발작 유형과 환자별 패tern에 따라 적응적으로 채널 중요도를 조정함으로써 성능 향상에 얼마나 기여하는가?
• RQ4 밀집 연결 구조가 깊은 EEG 네트워크에서 기울기 감쇠를 효과적으로 줄이고 특징 학습을 향상시키는가?
• RQ5 LSTM 및 CNN과 같은 최신 기술에 비해 제안된 모델은 민감도, 특이도, F1 스코어 측면에서 어떻게 비교되는가?

주요 결과

• 제안된 ADIndRNN 모델은 노이즈가 많은 CHB-MIT 데이터셋에서 평균 민감도 88.80%, 특이도 88.60%, 정밀도 88.69%를 기록하였으며, LSTM 및 CNN 기준 모델보다 최소 4% 이상 뛰어나다.
• F1 스코어는 88.71%에 도달하였고, 정확도는 88.70%로, 모든 지표에서 강력한 종합적인 분류 성능를 나타낸다.
• 세그먼트 길이는 분류 성능에 상당한 영향을 미치며, 평가된 13개의 길이 중에서 최대 4% 이상의 변동 폭을 보였다.
• 성능 균형과 과적합 위험 감소를 고려해 세그먼트 길이 분석에 대해 12개의 IndRNN 레이어를 가진 모델(IndRNN-12)을 선택하였다.
• 주의 메커니즘이 다양한 발작 유형과 환자별 패턴에 맞춰 동적으로 채널 중요도를 조정함으로써 직접 가중치 학습보다 성능이 뛰어나다.
• 양방향 IndRNN 아키텍처는 성능 향상에 미미한 기여를 하였지만 계산 시간 증가를 수반하여 이 작업에 있어 유의미한 이점은 없었다.