[논문 리뷰] EEG Signal Classification using Variational Mode Decomposition

Akshith Ullal, Ram Bilas Pachori|arXiv (Cornell University)|2020. 03. 28.

EEG and Brain-Computer Interfaces참고 문헌 26인용 수 10

한 줄 요약

이 논문은 변분 모드 분해(Variational Mode Decomposition, VMD)를 사용하여 신경전기 신호를 고유 모드로 분해한 후, Renyi 엔트로피, 제2차 및 제4차 차분도 그래프(SODP/FODP), 평균 진폭을 사용하여 간질 발작과 발작이 없는 상태를 구분하는 새로운 EEG 신호 분류 방법을 제안한다. 역전파를 갖춘 다층 퍼셉트론은 최대 98.3%의 정확도를 달성하였으며, 특징 순위 기반 전략을 통해 다양한 테스트 시나리오에서 평균 98.2%의 정확도로 성능 향상을 이룩하였다.

ABSTRACT

Epilepsy affects about 1% of the population every year, and is characterized by abnormal and sudden hyper-synchronous excitation of the neurons in the brain. The electroencephalogram(EEG) is the most widely used method to record brain signals and diagnose epilepsy and seizure cases. In this paper we use the method of Variational Mode Decomposition (VMD) in our analysis to classify seizure/seizure free signals. This technique uses variational non recursive mode decomposition, in comparison to other methods like Empirical Mode (EMD) and Hilbert-Huang transform which recursively decompose the signals, making them more susceptible to noise and sampling rate. VMD decomposes a signal into its components which are called principal modes. In our analysis, 4 features of the decomposed signals namely Renyi Entropy, second order difference plot (SODP), fourth order difference plot(FODP) and average amplitude are investigated, both individually and using a ranking methodology considering all 4 features at the same time. The SODP of decomposed signal modes is an elliptical structure. The 95% confidence ellipse area measured from the SODP of the decomposed signal modes has been used as a feature in order to discriminate seizure-free EEG signals from the epileptic seizure EEG signal. For the classification, a Multilayer Perceptron(MLP) with back propagation algorithm as the training method was used. A high percentage of accuracy was obtained when the features were used individually for classification and an even higher degree of accuracy was obtained when the ranking methodology was used.

연구 동기 및 목표

• 기존의 분해 방법을 대체하여 변분 모드 분해(Variational Mode Decomposition, VMD)를 도입함으로써 EEG 신호 분류 정확도 향상을 도모하고자 한다.
• 재귀적 방법인 EMD와 웨이블릿 변환의 한계를 해결하고자 하며, 이는 노이즈에 민감하고 수학적 엄밀성이 부족하기 때문이다.
• VMD로 분해된 모드에서 유도된 다수의 특징—Renyi 엔트로피, SODP, FODP, 평균 진폭의 분류 능력을 조사하고자 한다.
• 개별 특징과 특징 순위 융합 전략을 사용한 다층 퍼셉트론(MLP) 분류기의 성능을 평가하고자 한다.
• 학습 및 테스트 세트의 반복적인 무작위 샘플링을 통해 데이터 편향을 최소화하고 일반화 능력을 검증하고자 한다.

제안 방법

• 원시 EEG 신호를 고유 모드 함수(IMFs)로 분해하기 위해 VMD를 적용하여, 적응형 대역폭과 중심 주파수를 갖는 분해를 수행하며, 재귀적 분해를 피한다.
• 각 VMD 모드에서 네 가지 특징을 추출한다: 복잡성 측정을 위한 Renyi 엔트로피, 비선형 역학적 특성 분석을 위한 SODP 및 FODP, 에너지 변동을 측정하기 위한 평균 진폭.
• 각 모드의 SODP에서 유도된 95% 신뢰 타원 면적을 구조적 차이를 포착하는 핵심 분류 특징으로 사용한다.
• 개별 및 융합된 특징을 사용하여 역전파를 갖춘 다층 퍼셉트론(MLP)을 훈련시켜 EEG 신호를 발작 또는 발작이 없는 상태로 분류한다.
• 특징 순위 융합 전략을 적용한다: 세 특징(특히 Renyi 엔트로피는 성능이 낮아 제외)이 모두 일치할 경우 그 결과를 채택하고, 그렇지 않으면 다수결 투표 방식을 사용한다.
• 일반화 능력을 확보하기 위해 총 24회의 무작위 학습-테스트 세트 분할을 수행하며, 각 반복에서 80%의 샘플을 학습용, 20%를 테스트용으로 사용한다.

실험 결과

연구 질문

• RQ1 기존의 EMD나 웨이블릿 변환과 비교해 VMD 기반의 신호 분해가 EEG 기반 간질 발작 분류 정확도 향상에 기여하는가?
• RQ2 VMD 모드에서 유도된 SODP 및 FODP 특징은 간질기(ictal)와 간질 간기(interictal) EEG 신호를 얼마나 효과적으로 구분하는가?
• RQ3 순위 기반 융합 전략을 통해 다수의 특징을 융합하면 개별 특징 사용보다 분류 성능이 향상되는가?
• RQ4 다양한 데이터 분할과 비간질성 발작이 없는 신호(예: N 및 F 데이터셋) 포함 여부에 따라 제안된 방법의 견고성은 어떠한가?
• RQ5 비교적 작은 데이터셋인 보른 EEG 데이터셋에서도 이 방법이 높은 정확도를 유지할 수 있는가, 특히 이상치가 성능에 미치는 영향를 고려할 때 어떻게 되는가?

주요 결과

• 개별 특징으로 평균 진폭을 사용한 결과, 정상/발작 분류에서 최고의 정확도 98.3%를 기록하였으며, Renyi 엔트로피 역시 98.3%의 정확도를 달성하였다.
• SODP 기반 95% 신뢰 타원 면적은 정상/발작 분류에서 93.3%의 정확도를 기록하였으며, 발작/비발작 및 발작/비간질성 분류에서는 각각 96.6%와 96%의 정확도를 기록하였다.
• FODP는 발작/비발작 분류에서 100%의 정확도를 달성하여 이 특정 클래스 쌍에 대해 강력한 분류 능력을 보였다.
• 특징 순위 융합 전략(특히 Renyi 엔트로피 제외)을 적용한 결과, 정상/발작 분류에서 평균 98.3%, 발작/비발작 분류에서 100%, 발작/비간질성 분류에서 99%의 정확도를 확보하였다.
• 24회의 랜덤화된 학습-테스트 반복에서 평균 정확도는 정상/발작 분류에서 98.2%, 발작/비발작 분류에서 96.4%, 발작/비간질성 분류에서 97.9%를 기록하여 견고성을 입증하였다.
• 기존 연구들(예: [39]에서 97.7% 정확도, [7] 및 [8]에서 94–95% 정확도)을 초월하는 성능을 보였으며, 작은 보른 EEG 데이터셋의 한계에도 불구하고 높은 잠재력을 보였다.