[논문 리뷰] Deep Architectures for Automated Seizure Detection in Scalp EEGs

Meysam Golmohammadi, Saeedeh Ziyabari외 4명|arXiv (Cornell University)|2017. 12. 28.

EEG and Brain-Computer Interfaces참고 문헌 29인용 수 45

한 줄 요약

이 논문은 표면 뇌파(EEG)에서 자율적인 간질 발작 탐지에 위해 1차원 컨volutional 신경망(CNN)과 장기 단기 기억(LSTM) 네트워크를 융합한 새로운 하이브리드 딥 러닝 아키텍처를 제안한다. TUH EEG 간질 코퍼스를 사용하여, 모델은 24시간당 7건의 오진 경고를 동반하면서 30%의 민감도를 달성하였으며, 공간적 및 시간적 EEG 패턴을 효과적으로 모델링함으로써 최신 기술 수준의 성능을 입증하였다. 독립적인 듀크 대학교 코퍼스에서도 일관된 결과를 보였다.

ABSTRACT

Automated seizure detection using clinical electroencephalograms is a challenging machine learning problem because the multichannel signal often has an extremely low signal to noise ratio. Events of interest such as seizures are easily confused with signal artifacts (e.g, eye movements) or benign variants (e.g., slowing). Commercially available systems suffer from unacceptably high false alarm rates. Deep learning algorithms that employ high dimensional models have not previously been effective due to the lack of big data resources. In this paper, we use the TUH EEG Seizure Corpus to evaluate a variety of hybrid deep structures including Convolutional Neural Networks and Long Short-Term Memory Networks. We introduce a novel recurrent convolutional architecture that delivers 30% sensitivity at 7 false alarms per 24 hours. We have also evaluated our system on a held-out evaluation set based on the Duke University Seizure Corpus and demonstrate that performance trends are similar to the TUH EEG Seizure Corpus. This is a significant finding because the Duke corpus was collected with different instrumentation and at different hospitals. Our work shows that deep learning architectures that integrate spatial and temporal contexts are critical to achieving state of the art performance and will enable a new generation of clinically-acceptable technology.

연구 동기 및 목표

• 표면 EEG에서의 낮은 신호 대 잡음비로 인해 자율적인 간질 발작 탐지가 어려운 문제를 해결하기 위해.
• 기존 상용 시스템의 주요 한계인 임상 EEG 모니터링에서의 높은 오진 경고 비율을 줄이기 위해.
• 공간적(CNN) 및 시간적(LSTM) 모델링을 통합한 딥 러닝 아키텍처의 성능 향상을 위해.
• 듀크 대학 간질 코퍼스를 사용하여 다양한 데이터 수집 환경에서의 모델 일반화 능력을 검증하기 위해.
• 대규모 EEG 데이터를 기반으로 임상적으로 수용 가능한 자율적 간질 발작 탐지 시스템을 개발하기 위해.

제안 방법

• 저자는 1D 컨볼루션 레이어를 사용해 EEG 채널 간의 공간적 특징을 추출하고, 양방향 LSTM 레이어를 통해 시간적 의존성을 모델링하는 하이브리드 딥 아키텍처를 설계하였다.
• 모델은 다중 채널 표면 EEG 기록으로 구성된 대규모 데이터셋인 TUH EEG 간질 코퍼스에서 엔드 투 엔드로 훈련되었다.
• 공간적 특징 추출은 다수의 EEG 전극에서 온 시간 시리즈 신호에 대해 적용된 1D 컨볼루션을 통해 수행된다.
• 시간적 모델링은 과거와 미래의 신호 세그먼트에서 장거리 의존성과 맥락을 모두 포괄하는 양방향 LSTM을 통해 달성된다.
• 표준 딥 러닝 훈련 절차를 사용하여 아키텍처를 최적화하였으며, 교차 엔트로피 손실과 조기 정지 기법을 적용하였다.
• 성능 평가는 보류된 테스트 세트에서 표준 지표인 민감도 및 24시간당 오진 양성률을 사용하여 평가되었다.

실험 결과

연구 질문

• RQ1 CNN과 LSTM을 융합한 하이브리드 딥 러닝 모델이 낮은 신호 대 잡음비를 가지는 표면 EEG 기록에서 간질 발작을 효과적으로 탐지할 수 있는가?
• RQ2 제안된 아키텍처가 민감도 및 오진 경고 비율 측면에서 임상적으로 수용 가능한 성능을 달성하는가?
• RQ3 모델의 성능은 다양한 EEG 채취 환경과 기관 간에서 얼마나 일반화되는가?
• RQ4 공간적 및 시간적 모델링 구성 요소가 검출 정확도 향상에 얼마나 기여하는가?
• RQ5 대규모 EEG 코퍼스에서 훈련된 딥 러닝 모델이 기존의 신호 처리 방법보다 간질 발작 탐지에서 뛰어난 성능을 내는가?

주요 결과

• 제안된 하이브리드 CNN-LSTM 아키텍처는 TUH EEG 간질 코퍼스에서 24시간당 7건의 오진 경고를 동반하면서 30%의 민감도를 달성하였으며, 임상적으로 수용 가능한 성능 향상이 뚜렷하게 나타났다.
• 모델은 듀크 대학에서의 독립적인 데이터셋에도 잘 일반화되어 있으며, 기기 및 병원 환경의 차이에도 불구하고 유사한 성능 경향을 보였다.
• 공간적(CNN) 및 시간적(LSTM) 모델링 구성 요소의 통합은 최신 기술 수준의 성능을 달성하는 데 핵심적인 역할을 한다.
• 모델은 EEG 데이터 채취 방식의 변동성에 대해 뛰어난 내성성을 보이며, 실제 임상 적용 가능성을 시사한다.
• 결과적으로, 적절히 구성된 딥 러닝 모델이 복잡하고 노이즈가 많은 표면 EEG 신호의 특성을 효과적으로 다룰 수 있음을 시사한다.
• 이 연구는 고차원의 딥 아키텍처가 대규모 코퍼스에서 정제된 데이터를 기반으로 훈련된 경우, 거대한 레이블링된 데이터셋이 없더라도 간질 발작 탐지에 효과적일 수 있음을 확인한다.