[논문 리뷰] Autoreject: Automated artifact rejection for MEG and EEG data

Mainak Jas, Denis A. Engemann외 3명|arXiv (Cornell University)|2016. 12. 24.

EEG and Brain-Computer Interfaces인용 수 6

한 줄 요약

Autoreject는 각 주제와 센서별로 최적의 피크 투 피크 임계값을 결정하기 위해 교차검증을 사용하는 데이터 기반, 자동화된 방법으로, MEG 및 EEG 데이터에서 나쁜 시험과 센서를 감지하고 복구합니다. 수동 아티팩트 거부를 대체하여 강력하고 물리학에 기반한, 완전히 자동화된 파이프라인을 통해 재현 가능성과 확장성을 향상시키며, 데이터 손실을 줄이고 인간의 편향을 감소시킵니다.

ABSTRACT

We present an automated algorithm for unified rejection and repair of bad trials in magnetoencephalography (MEG) and electroencephalography (EEG) signals. Our method capitalizes on cross-validation in conjunction with a robust evaluation metric to estimate the optimal peak-to-peak threshold -- a quantity commonly used for identifying bad trials in M/EEG. This approach is then extended to a more sophisticated algorithm which estimates this threshold for each sensor yielding trial-wise bad sensors. Depending on the number of bad sensors, the trial is then repaired by interpolation or by excluding it from subsequent analysis. All steps of the algorithm are fully automated thus lending itself to the name Autoreject. In order to assess the practical significance of the algorithm, we conducted extensive validation and comparison with state-of-the-art methods on four public datasets containing MEG and EEG recordings from more than 200 subjects. Comparison include purely qualitative efforts as well as quantitatively benchmarking against human supervised and semi-automated preprocessing pipelines. The algorithm allowed us to automate the preprocessing of MEG data from the Human Connectome Project (HCP) going up to the computation of the evoked responses. The automated nature of our method minimizes the burden of human inspection, hence supporting scalability and reliability demanded by data analysis in modern neuroscience.

연구 동기 및 목표

• 아티팩트 거부로 인한 공감대 부족과 높은 수동 작업 부담으로 인한 MEG 및 EEG 데이터 사전처리의 문제를 해결한다.
• 주관적이고 전문가 의존적인 시험 및 센서 거부를 대체할 수 있는 자동화된 데이터 기반 방법을 개발한다.
• 나쁜 시험을 제거하는 대신 보간을 통해 복구함으로써 데이터 손실을 최소화하여 비용이 많이 들기 때문에 확보하기 어려운 데이터를 유지한다.
• 기존 분석 파이프라인, 특히 노이즈 정규화와 원천 국소화와의 호환성을 확보하며 알고리즘 수정 없이도 작동한다.
• Human Connectome Project와 같은 대규모 데이터셋에 적합한 확장성 있고 재현 가능하며 편향이 없는 사전처리를 가능하게 한다.

제안 방법

• 각 주제별 최적의 글로벌 피크 투 피크 임계값을 추정하기 위해 교차검증을 사용하며, 강력한 평가 지표(학습 평균과 검증 중앙값 간의 RMSE)를 활용한다.
• 글로벌 임계값 접근법을 센서별 임계값으로 확장하여 각 시험에서 나쁜 센서를 감지한다.
• 두 단계로 구성된 복구 전략을 적용한다: 나쁜 센서 수가 임계값 이하일 경우 보간, 그 이상일 경우 전체 시험을 제외한다.
• 모든 파라미터를 외부 요인에 민감하지 않고 과적합을 방지하는 데이터 기반 교차검증 프레임워크를 통해 校정한다.
• 소음 정규화 공분산 추정이 필요한 표준 M/EEG 파이프라인과도 원활하게 통합되며, 후속 처리 단계를 수정하지 않아도 된다.
• 베이지안 하이퍼파rameter 최적화를 활용하여 시험 제거를 유도하는 나쁜 센서 수를 조정함으로써 데이터 유지와 노이즈 억제 사이의 최적 균형을 확보한다.

실험 결과

연구 질문

• RQ1 데이터 기반 자동화 방법이 MEG 및 EEG 데이터에서 인간 애너테이션 기반 아티팩트 거부와 비교해 성능이 유사하거나 뛰어나게 할 수 있는가?
• RQ2 감지 정확도 측면에서 센서별 임계값 설정이 글로벌 임계값 설정보다 어떻게 다를까? (감도 및 특이도 측면에서 비교)
• RQ3 대규모 MEG/EEG 연구에서 전문가 간섭을 최소화하면서 데이터 품질을 얼마나 잘 유지할 수 있는가?
• RQ4 원래의 M/EEG 파이프라인에 수정 없이 통합될 수 있는가? 특히 원천 국소화나 노이즈 정규화와 같은 후속 단계와의 호환성은 어떻게 되는가?
• RQ5 다양한 촬영 설정과 아티팩트 프로파일을 가진 이질적인 데이터셋에서 Autoreject의 성능은 어떻게 변하는가?

주요 결과

• Autoreject는 200명 이상의 참가자를 포함한 네 개의 공개 데이터셋에서 최신 기술 수준의 성능을 확보하거나 초월하였다.
• Human Connectome Project(HCP)의 MEG 데이터 사전처리를 성공적으로 자동화하여 수동 점검 없이도 자극 반응의 종단 간 계산을 완료할 수 있었다.
• 센서별 임계값 설정은 주제 및 데이터셋 간 최적 임계값의 경험적 변동성을 고려할 때 글로벌 임계값 설정보다 감지 정확도가 뚜렷이 향상되었다.
• 시험을 폐기하는 대신 데이터를 복구함으로써 Autoreject는 전통적인 거부 전략 대비 일부 데이터셋에서 최대 30%까지 데이터 손실을 줄였다.
• 외곽치에 강건하고 다양한 촬영 설정의 변동성에 대처할 수 있어, 다중 기관 및 다중 스캐너 데이터 통합에 적합하다.
• 교차검증을 통한 파라미터 校정으로 인간의 편향을 줄이고 재현 가능성을 향상시켰으며, 다양한 데이터셋과 분석 파이프라인 간 일관된 결과를 반복적으로 확보하였다.