[논문 리뷰] Brain Signals Analysis Based Deep Learning Methods: Recent advances in the study of non-invasive brain signals

Almabrok Essa, Hari Kotte|arXiv (Cornell University)|2021. 12. 30.

EEG and Brain-Computer Interfaces인용 수 6

한 줄 요약

이 논문은 뇌전도도, 뇌자극도, fMRI를 포함한 비침습적 뇌신호 분석을 위한 최근 딥 러닝(DL) 기술의 발전을 검토한다. 연구에서는 특히 CNN 및 DCNN 모델이 간질성 파동, 뇌경색, 간질 간격성 간질성 비정상성 소견(IEDs)을 분류하는 데 높은 정확도(AUC > 0.9)를 달성하며, 전통적인 특징 기반 방법보다 뛰어난 성능을 보임을 보여준다.

ABSTRACT

Brain signals constitute the information that are processed by millions of brain neurons (nerve cells and brain cells). These brain signals can be recorded and analyzed using various of non-invasive techniques such as the Electroencephalograph (EEG), Magneto-encephalograph (MEG) as well as brain-imaging techniques such as Magnetic Resonance Imaging (MRI), Computed Tomography (CT) and others, which will be discussed briefly in this paper. This paper discusses about the currently emerging techniques such as the usage of different Deep Learning (DL) algorithms for the analysis of these brain signals and how these algorithms will be helpful in determining the neurological status of a person by applying the signal decoding strategy.

연구 동기 및 목표

• EEG, MEG, fMRI와 같은 비침습적 뇌신호를 분석하기 위한 최근 딥 러닝 기법을 요약하는 것.
• 특징 추출 및 분류를 위한 전통적인 신호 처리 방법(예: DWT, WPT)과 현대적인 딥 러닝 기반 접근법을 비교하는 것.
• 경화성 신경망(CNN) 및 심층 경화성 신경망(DCNN)의 간질성 파동 및 뇌경색과 같은 신경학적 이상을 탐지하는 성능을 평가하는 것.
• 딥 러닝 모델이 자동으로 EEG 해석을 수행하고 진단 정확도를 향상시키는 데 있어 임상적 유용성을 입증하는 것.

제안 방법

• 원시 EEG 및 EOG 신호에서 종단간 특징 추출 및 분류를 위해 주로 1D 및 2D 경화성 신경망(CNNs)을 활용하는 딥 러닝 아키텍처를 사용한다.
• 다양한 EEG 데이터셋에서 훈련된 CNN 모델에 대해 전이 학습 및 데이터 증강 전략을 적용하며, 훈련/검증 데이터 분할 비율을 80%/20%로 설정한다.
• 분류 성능 향상을 위해 ReLU 활성화 함수, 풀링 레이어, 완전 연결 레이어를 CNN 아키텍처에 적용한다.
• DCNN의 결정 과정을 해석하기 위해 막힘 시각화(occlusion visualization) 및 가능성 히트맵을 활용하여 모델의 주의 집중 영역이 임상적 시각 검사와 일치하도록 한다.
• AUC 및 전반적 평균 정확도와 같은 지표를 사용해 DL 모델(1DCNN, DCNN)과 고전적 방법(SVM, 나이브 베이즈, RBF 네트워크)을 비교한다.
• 5겹 교차검증을 사용하여 간질 탐지 및 뇌경색 식별을 위한 실제 데이터셋에서 모델을 검증한다.

실험 결과

연구 질문

• RQ1 CNN 및 DCNN와 같은 딥 러닝 모델은 전통적인 머신러닝 방법에 비해 비침습적 뇌신호 분류에서 어떻게 성능을 냈는가?
• RQ2 종단간 딥 러닝 모델은 원시 EEG 신호에서 간질 간격성 간질성 비정상성 소견(IEDs)을 높은 진단 정확도로 탐지할 수 있는가?
• RQ3 딥 러닝 모델은 간질성 파동을 식별하는 데 있어 임상 전문가의 시각적 의사결정 과정을 어느 정도 재현할 수 있는가?
• RQ4 1DCNN의 성능은 간질성 뇌경색 환자와 건강한 대조군 간의 EEG 및 EOG 신호를 어떻게 구분하는가?
• RQ5 다양한 하이퍼파라미터(예: 에포크 수, 필터 크기)는 뇌신호 분석에서 딥 러닝 모델의 분류 정확도에 어떤 영향을 미치는가?

주요 결과

• 특히 DCNN를 포함한 딥 러닝 모델은 간질 간격성 간질성 비정상성 소견(IEDs) 탐지에서 AUC 점수가 0.9 이상을 달성하여 뛰어난 진단 성능를 보였다.
• SpikeNet 모델은 임상 전문가의 성능과 동등한 수준으로 전체 EEG 기록을 IED 양성 또는 음성으로 분류하는 데 성공했다.
• 여러 EEG 데이터셋에서 훈련된 CNN 모델은 간질성 대비 정상 EEG 신호를 분류할 때 전반적 평균 정확도가 90% 이상을 기록했으며, 표 4에 보고된 linе.
• EEG 웨이브폼 수준의 CNN 시스템은 높은 AUC 점수를 기록했으며(표 5에 기재됨), 출력 확률을 [0,1] 범위로 매핑하여 EEG 웨이브폼의 간질성 정도를 나타내었다.
• 1DCNN 모델은 나이브 베이즈 및 표준 신경망과 같은 전통적 방법보다 뇌경색 환자와 대조군을 구분하는 데 있어 유의미한 AUC 향상을 보였다.
• 막힘 맵핑과 같은 시각화 기법을 통해 DCNN가 임상적으로 관련 있는 EEG 영역에 주목하고 있음을 확인하여, 모델의 해석 가능성과 전문가 진단과의 일치성을 검증했다.