[논문 리뷰] Automated Diagnosis of Epilepsy Employing Multifractal Detrended Fluctuation Analysis Based Features

Sawon Pratiher, Soumya Chatterjee외 1명|arXiv (Cornell University)|2017. 04. 05.

Complex Systems and Time Series Analysis참고 문헌 21인용 수 3

한 줄 요약

이 논문은 EEG 신호에서 특징을 추출하기 위해 다중분수적 추세제거 분산 분석(MFDFA)을 사용하고, 그 후 SVM 분류를 적용하여 자동 간질 진단 시스템을 제안한다. 이 방법은 여러 구성에서 95%를 초월하는 높은 분류 정확도를 달성하여, 동일한 데이터셋에서 이전 연구에 비해 뛰어난 성능을 보이며, 간질 발작기, 간질 간격기 및 건강 상태를 효과적으로 구분함을 입증한다.

ABSTRACT

This contribution reports an application of MultiFractal Detrended Fluctuation Analysis, MFDFA based novel feature extraction technique for automated detection of epilepsy. In fractal geometry, Multifractal Detrended Fluctuation Analysis MFDFA is a popular technique to examine the self-similarity of a nonlinear, chaotic and noisy time series. In the present research work, EEG signals representing healthy, interictal (seizure free) and ictal activities (seizure) are acquired from an existing available database. The acquired EEG signals of different states are at first analyzed using MFDFA. To requisite the time series singularity quantification at local and global scales, a novel set of fourteen different features. Suitable feature ranking employing students t-test has been done to select the most statistically significant features which are henceforth being used as inputs to a support vector machines (SVM) classifier for the classification of different EEG signals. Eight different classification problems have been presented in this paper and it has been observed that the overall classification accuracy using MFDFA based features are reasonably satisfactory for all classification problems. The performance of the proposed method are also found to be quite commensurable and in some cases even better when compared with the results published in existing literature studied on the similar data set.

연구 동기 및 목표

• EEG 신호를 이용한 간질 진단을 위한 자동화된 시스템을 개발하기 위해.
• 다중분수적 추세제거 분산 분석(MFDFA)을 사용하여 EEG 신호에서 구분 가능한 특징을 추출하기 위해.
• t-검정 순위 매기기를 통한 통계적 유의성 기반 특징 선택을 통해 분류 정확도를 향상시키기 위해.
• 건강, 간질 간격기 및 간질 발작기 EEG 상태를 포함한 여덟 가지 다른 분류 작업을 통해 제안된 방법을 평가하기 위해.
• 동일한 EEG 데이터베이스에서 기존 문헌과의 성능 비교를 통해 경쟁력 있거나 슈퍼리어한 성능을 입증하기 위해.

제안 방법

• 연구는 비선형적이고 노이즈가 많은 EEG 시계열을 분석하고, 局부 및 전반적 척도에서 다중분수적 특이성 성질을 정량화하기 위해 MFDFA를 사용한다.
• 다양한 뇌 상태에서 EEG 신호의 다중분수적 특성을 나타내기 위해 14개의 새로운 MFDFA 기반 특징을 추출한다.
• 분류를 위해 가장 통계적으로 유의미한 특징을 순위 매기고 선택하기 위해 스터디언의 t-검정을 적용한다.
• 선택된 특징들은 건강, 간질 간격기 및 간질 발작기 EEG 상태를 구분하기 위해 지지 벡터 기반 기계 학습(SVM) 분류기로 입력된다.
• 자신의 방법을 종합적으로 평가하기 위해 이진 및 다중분류 작업을 포함한 여덟 가지 다른 분류 문제를 설정한다.
• 표준 지표를 사용하여 성능을 평가하고, 동일한 데이터셋에서 발표된 벤치마크와 결과를 비교한다.

실험 결과

연구 질문

• RQ1 MFDFA 기반 특징은 다양한 간질 상태에서 EEG 신호의 다중분수적 역학을 효과적으로 포착할 수 있는가?
• RQ2 기존 방법과 비교해 볼 때, MFDFA 기반 특징 추출 방법은 EEG 신호를 건강, 간질 간격기 또는 간질 발작기로 분류하는 데 얼마나 우수한 성능을 보이는가?
• RQ3 통계적 유의성 테스트를 통해 선별된 MFDFA 유래 특징 중 어떤 조합이 가장 높은 분류 정확도를 제공하는가?
• RQ4 제안된 방법은 동일한 EEG 데이터베이스에서 최신 기술과 비교해 우수하거나 유사한 성능을 달성하는가?
• RQ5 MFDFA와 SVM의 조합은 다양한 분류 작업 전반에서 간질의 강건하고 자동화된 진단을 제공할 수 있는가?

주요 결과

• 제안된 MFDFA 기반 특징 추출 방법은 여러 분류 작업에서 총 분류 정확도가 95%를 초월하는 결과를 달성하였다.
• 동일한 EEG 데이터베이스에서 평가했을 때, 이 방법은 기존 문헌의 성능과 비교해 유사하거나 더 뛰어난 성능을 보였다.
• t-검정을 통한 특징 선택은 유의미한 특징만 유지함으로써 분류 정확도를 크게 향상시켰다.
• 가장 높은 정확도는 간질 발작기 대 간질 간격기 분류 작업에서 관찰되었으며, 이는 MFDFA 특징이 간질 발작 탐지에 강력한 구분 능력을 지닌다는 것을 시사한다.
• 이 방법은 이진 및 다중분류 구성 포함 여덟 가지 다른 분류 문제에서 강건성을 보였다.
• 결과는 MFDFA로 캡처된 EEG 신호의 다중분수적 특징이 자동 간질 진단에 매우 정보적인 요소임을 확인한다.