[논문 리뷰] EEG-GCNN: Augmenting Electroencephalogram-based Neurological Disease Diagnosis using a Domain-guided Graph Convolutional Neural Network

Neeraj Wagh, Yogatheesan Varatharajah|arXiv (Cornell University)|2020. 11. 17.

EEG and Brain-Computer Interfaces참고 문헌 22인용 수 41

한 줄 요약

EEG-GCNN은 도메인 기반의 EEG 연결 그래프 위에서 그래프 컨볼루션 신경망을 사용해 신경학적 질환 환자의 '정상' EEG와 건강한 EEG를 구별하며, 보류된 테스트 세트에서 AUC 0.90을 달성하고 기초 모델보다 성능이 우수하다.

ABSTRACT

This paper presents a novel graph convolutional neural network (GCNN)-based approach for improving the diagnosis of neurological diseases using scalp-electroencephalograms (EEGs). Although EEG is one of the main tests used for neurological-disease diagnosis, the sensitivity of EEG-based expert visual diagnosis remains at $\sim$50\%. This indicates a clear need for advanced methodology to reduce the false negative rate in detecting abnormal scalp-EEGs. In that context, we focus on the problem of distinguishing the abnormal scalp EEGs of patients with neurological diseases, which were originally classified as 'normal' by experts, from the scalp EEGs of healthy individuals. The contributions of this paper are three-fold: 1) we present EEG-GCNN, a novel GCNN model for EEG data that captures both the spatial and functional connectivity between the scalp electrodes, 2) using EEG-GCNN, we perform the first large-scale evaluation of the aforementioned hypothesis, and 3) using two large scalp-EEG databases, we demonstrate that EEG-GCNN significantly outperforms the human baseline and classical machine learning (ML) baselines, with an AUC of 0.90.

연구 동기 및 목표

• EEG로부터 전문가 시각 평가를 넘어 신경질환 진단의 개선을 모티브로 한다.
• EEG 데이터에 공간적 및 기능적 뇌 연결성을 인코딩하는 GCNN 모델을 제안한다.
• EEG-GCNN이 인간 및 ML 기반 벤치마인을 능가하는 대규모 평가를 보여준다.
• 도메인 감소(edge-guided) 하의 완전 연결 그래프 표현이 진단 성능을 향상시킴을 보여준다.

제안 방법

• 10초 EEG 윈도우를 공간적 지오데식 거리와 스펙트럼 코히런스의 결합 가중치를 가진 완전 연결 그래프로 표현한다.
• 그래프에서 특징을 전파하기 위해 Kipf와 Welling의 스펙트럴 그래프 컨볼루션을 적용한다.
• 글로벌 평균 풀링을 통해 노드 임베딩을 집계하여 그래프 수준 표현을 얻는다.
• 그래프 임베딩을 윈도우 수준 질병 확률로 매핑하기 위해 완전 연결 네트워크를 사용한다.
• 윈도우 수준 예측을 최대 가능도 추정치를 사용해 주체 수준 추정으로 집계한다(윈도우 간 평균 확률).
• 얕은(Shallow)와 깊은(Deep) EEG-GCNN 변형을 FCNN 및 Random Forest 벤치마인드와 비교한다.

실험 결과

연구 질문

• RQ1 공간적·기능적 EEG 연결성을 인코딩하는 GCNN이 질병 EEG과 건강 EEG를 전문가가 식별한 정상 EEG보다 구분력을 개선할 수 있는가?
• RQ2 도메인 가이드가 있는 간선 가중 그래프 표현이 이진 또는 수작업 특징보다 더 나은 성능을 보이는가?
• RQ3 대규모 EEG 데이터 세트에서 GCNN 변형이 이 작업에서 기존 ML 방법과 비교해 어떤 성능 차이를 보이는가?

주요 결과

• EEG-GCNN은 보류된 테스트 세트에서 AUC 0.90을 달성했고 인간 및 전통 ML 벤치마인드보다 약 10% 포인트 높은 성능을 보였다.
• Shallow EEG-GCNN은 딥 EEG-GCNN 성능에 근접하거나 비슷하게 0.90 수준의 AUC를 보이며 두 변형에서 동일한 경향을 보였다.
• Random Forests는 AUC 0.80, FCNN은 0.71로 그래프 기반 접근이 상당한 이점을 제공한다.
• 윈도우 수준 출력에 기반한 주체 수준 예측은 스펙트럴 특징만으로 얻은 것보다 구분력이 향상된다.
• 본 방법은 대규모 데이터(TUAB 및 MPI LEMON 유래 윈도우)에서 강력한 성능을 보이고 벤치마인드에 대해 통계적으로 유의함(Kolmogorov–Smirnov 테스트, p<0.05).
• EEG-GCNN의 임베딩은 t-SNE 시각화에서 스펙트ral 특징보다 클래스 분리도가 더 뛰어나다.