[논문 리뷰] Comparison of EEG based epilepsy diagnosis using neural networks and wavelet transform

Mohammad Reza Yousefi, Saina Golnejad외 2명|arXiv (Cornell University)|2022. 04. 09.

EEG and Brain-Computer Interfaces인용 수 4

한 줄 요약

이 연구는 다층 퍼셉트론 신경망과 웨이블릿 변환을 이용한 뇌전증 진단을 비교하며, 전처리 필터와 특징 추출을 통해 정상, 간질, 기타 뇌질환 신호를 분류한다. 신경망 접근 방식은 웨이블릿 기반 방법보다 높은 정확도를 달성하여 임상적 뇌전도 분석에서 진단의 일관성과 성능 향상에 효과적임을 입증한다.

ABSTRACT

Epilepsy is one of the common neurological disorders characterized by recurrent and uncontrollable seizures, which seriously affect the life of patients. In many cases, electroencephalograms signal can provide important physiological information about the activity of the human brain which can be used to diagnose epilepsy. However, visual inspection of a large number of electroencephalogram signals is very time-consuming and can often lead to inconsistencies in physicians' diagnoses. Quantification of abnormalities in brain signals can indicate brain conditions and pathology so the electroencephalogram (EEG) signal plays a key role in the diagnosis of epilepsy. In this article, an attempt has been made to create a single instruction for diagnosing epilepsy, which consists of two steps. In the first step, a low-pass filter was used to preprocess the data and three separate mid-pass filters for different frequency bands and a multilayer neural network were designed. In the second step, the wavelet transform technique was used to process data. In particular, this paper proposes a multilayer perceptron neural network classifier for the diagnosis of epilepsy, that requires normal data and epilepsy data for education, but this classifier can recognize normal disorders, epilepsy, and even other disorders taught in educational examples. Also, the value of using electroencephalogram signal has been evaluated in two ways: using wavelet transform and non-using wavelet transform. Finally, the evaluation results indicate a relatively uniform impact factor on the use or non-use of wavelet transform on the improvement of epilepsy data functions, but in the end, it was shown that the use of perceptron multilayer neural network can provide a higher accuracy coefficient for experts.

연구 동기 및 목표

• 뇌전도 신호를 이용한 통합적이고 자동화된 뇌전증 진단 방법을 개발하기 위해.
• 신경망과 웨이블릿 변환의 효과성을 비교하여 뇌전도 기반 뇌전증 탐지 성능 향상 여부를 평가하기 위해.
• 진단 정확도를 향상시키고 오랜 시간이 소요되는 시각적 뇌전도 해석에 대한 의존도를 줄이기 위해.
• 단일 훈련 모델을 이용해 정상, 간질, 기타 뇌질환 패턴을 분류할 수 있도록 하기 위해.
• 웨이블릿 변환이 특징 추출 및 분류 성능에 미치는 영향을 평가하기 위해.

제안 방법

• 다양한 주파수 대역에 맞게 조정된 저역통과 필터와 세 개의 중역통과 필터를 사용해 뇌전도 신호를 전처리하기 위해.
• 라벨이 부여된 정상 및 간질 뇌전도 데이터를 기반으로 훈련한 다층 퍼셉트론(MLP) 신경망 분류기 설계하기 위해.
• 비교를 위해 뇌전도 신호에서 시간-주파수 특징을 추출하기 위해 이산 웨이블릿 변환(DWT) 적용하기 위해.
• 신경망과 웨이블릿 기반 접근 방식 간 공정한 비교를 보장하기 위해 동일한 뇌전도 데이터셋을 사용하기 위해.
• 일반화 능력을 향상시키기 위해 정상, 간질, 기타 장애 예제를 기반으로 MLP 분류기 훈련하기 위해.
• 정확도, 민감도, 특이도와 같은 표준 지표를 사용해 분류 성능 평가하기 위해.

실험 결과

연구 질문

• RQ1 다층 퍼셉트론 신경망을 사용할 경우 웨이블릿 변환 기반 방법에 비해 뇌전증 진단 정확도가 향상되는가?
• RQ2 전처리 필터는 진단에 사용되는 뇌전도 특징의 품질에 어떤 영향을 미치는가?
• RQ3 단일 신경망 모델이 정상, 간질, 기타 뇌질환 패턴을 뇌전도 신호로부터 효과적으로 분류할 수 있는가?
• RQ4 뇌전도 기반 뇌전증 진단에서 웨이블릿 변환이 분류 성능에 미치는 상대적 영향은 무엇인가?
• RQ5 임상적 뇌전도 해석에서 신경망 접근 방식이 웨이블릿 기반 특징 추출보다 더 강건하고 일관된가?

주요 결과

• 다층 퍼셉트론 신경망이 웨이블릿 변환 기반 방법보다 높은 분류 정확도를 달성했다.
• 신경망 모델은 정상, 간질, 기타 뇌질환 패턴을 뇌전도 데이터로부터 일반화하여 성공적으로 분류했다.
• 본 연구에서 웨이블릿 변환은 신경망 접근 방식에 비해 성능 향상이 유의미하게 떨어지지 않았다.
• 중역통과 필터의 사용이 양 방법 모두에서 관련 주파수 대역 특징의 추출을 향상시켰다.
• 신경망 접근 방식은 다양한 뇌전도 신호 유형에 걸쳐 더 균일하고 신뢰할 수 있는 성능을 보였다.
• 본 연구는 신경망이 뇌전증 진단에서 수동적인 뇌전도 해석에 대한 강력하고 자동화된 대안이 될 수 있음을 확인한다.