[논문 리뷰] Automatic Identification of Epileptic Seizures from EEG Signals using Sparse Representation-based Classification

Sobhan Sheykhivand, Tohid Yousefi Rezaii외 3명|arXiv (Cornell University)|2019. 10. 18.

EEG and Brain-Computer Interfaces참고 문헌 29인용 수 4

한 줄 요약

이 논문은 수동적 특징 추출이 필요 없는 자기학습된 뇌파 사전을 사용한 희소 표현 기반 분류(SRC)를 이용한 완전 자동화된 간질 발작 탐지 시스템을 제안한다. 9개 시나리오 중 8개에서 100% 민감도, 특이도, 정확도를 달성하며, 0 dB 노이즈 조건에서도 강건성을 보이며, 다양한 다중 클래스 발작 탐지 설정에서 최신 기술을 능가한다.

ABSTRACT

Identifying seizure activities in non-stationary electroencephalography (EEG) is a challenging task, since it is time-consuming, burdensome, and dependent on expensive human resources and subject to error and bias. A computerized seizure identification scheme can eradicate the above problems, assist clinicians and benefit epilepsy research. So far, several attempts were made to develop automatic systems to help neurophysiologists accurately identify epileptic seizures. In this research, a fully automated system is presented to automatically detect the various states of the epileptic seizure. The proposed method is based on sparse representation-based classification (SRC) theory and the proposed dictionary learning using electroencephalogram (EEG) signals. Furthermore, the proposed method does not require additional preprocessing and extraction of features which is common in the existing methods. The proposed method reached the sensitivity, specificity and accuracy of 100% in 8 out of 9 scenarios. It is also robust to the measurement noise of level as much as 0 dB. Compared to state-of-the-art algorithms and other common methods, the proposed method outperformed them in terms of sensitivity, specificity and accuracy. Moreover, it includes the most comprehensive scenarios for epileptic seizure detection, including different combinations of 2 to 5 class scenarios. The proposed automatic identification of epileptic seizures method can reduce the burden on medical professionals in analyzing large data through visual inspection as well as in deprived societies suffering from a shortage of functional magnetic resonance imaging (fMRI) equipment and specialized physician.

연구 동기 및 목표

• 비정상적인 EEG 신호에서 간질 발작을 탐지하기 위한 완전 자동화되고 계산 효율성이 높은 시스템을 개발하는 것.
• 기존 방법에서 흔히 사용되는 시간이 오래 걸리는 수동적 특징 추출 및 전처리 단계에 의존하지 않도록 하는 것.
• 대규모 EEG 데이터를 해석하는 데 있어 신경생리학자의 부담을 줄여 임상 워크플로우를 향상시키는 것.
• 다양한 실제 세계의 발작 분류 시나리오, 특히 2~5개 클래스 설정에서 정확도와 강건성을 향상시키는 것.
• fMRI나 전문 인력이 부족한 자원이 제한된 환경에서 간질 연구 및 임상 진단을 지원하는 것.

제안 방법

• 이 방법은 전통적인 전처리 및 특징 공학을 회피하기 위해 원시 EEG 신호에서 직접 자기학습된 사전를 사용한 희소 표현 기반 분류(SRC)를 적용한다.
• 사전는 비정상적인 발작 상태와 관련된 내재된 신호 패턴을 포착하는 희소 코딩 프레임워크를 사용해 EEG 데이터로부터 학습된다.
• 분류 과정은 각 테스트 EEG 세그먼트를 학습된 사전의 원자들의 희소 선형 조합으로 표현하고, 가장 낮은 표현 오차를 가진 클래스에 할당하는 방식으로 수행된다.
• 이 방법은 신호 진폭 변화에 불변하며, 특히 0 dB 이하의 신호 대 잡음비 조건에서도 성능을 유지한다.
• 일반화 능력을 확보하기 위해 2-클래스, 3-클래스, 4-클래스, 5-클래스 발작 상태 탐지와 같은 다양한 설정을 평가한다.
• 외부 전처리나 수작업 특징 공학이 전혀 사용되지 않으며, 오직 원시 EEG 시계열 데이터만 SRC 프레임워크에 직접 입력된다.

실험 결과

연구 질문

• RQ1 수동적 특징 추출이나 전처리에 의존하지 않고도 완전 자동화된 발작 탐지 시스템이 높은 정확도를 달성할 수 있는가?
• RQ2 자기학습된 사전를 사용한 제안된 SRC 기반 방법이 다양한 다중 클래스 발작 탐지 시나리오(2~5개 클래스)에서 어떻게 성능을 발휘하는가?
• RQ3 임상 EEG 기록에서 흔히 발생하는 측정 노이즈 수준에 대해 제안된 방법이 얼마나 강건한가?
• RQ4 민감도, 특이도, 정확도 측면에서 제안된 방법은 최신 알고리즘과 비교해 어떻게 성능을 발휘하는가?
• RQ5 이 시스템은 임상의의 부담을 효과적으로 줄이고 자원이 제한된 환경에서 간질 진단을 지원할 수 있는가?

주요 결과

• 제안된 방법은 테스트된 9개 시나리오 중 8개에서 100% 민감도, 특이도, 정확도를 달성하여 뛰어난 탐지 성능을 입증했다.
• 0 dB 측정 노이즈 조건에서도 강력한 성능을 유지하여 신호 열화에 대한 뛰어난 내성 강건성을 보였다.
• 모든 평가 설정에서 기존 최신 기술보다 민감도, 특이도, 정확도 측면에서 뛰어난 성능을 기록했다.
• 전처리 및 특징 추출 단계가 없어져 계산 오버헤드가 크게 감소하고 자동화 수준이 향상되었다.
• 다양한 발작 상태 분류 작업, 특히 복잡한 5-클래스 시나리오에 대해 확장 가능하고 일반화 가능하다.
• fMRI나 전문 신경과의가 부족한 지역에서 임상 및 연구 응용에 특히 유용하다.