[논문 리뷰] Energy-Efficient Tree-Based EEG Artifact Detection

Thorir Mar Ingolfsson, Andrea Cossettini외 2명|arXiv (Cornell University)|2022. 01. 01.

EEG and Brain-Computer Interfaces인용 수 1

한 줄 요약

이 논문은 자동화된 기계학습(TPOT)을 통해 최적화된 최소 4채널의 전측두부 뇌전도(EEG) 설정을 사용하는 에너지 효율적인 트리 기반 EEG 아티팩트 검출 시스템을 제시한다. 이 시스템은 PULP 초저전력 플랫폼에 구현되었으며, 추론당 4.71 µJ의 에너지 소비로 93.95%의 정확도를 달성하여 웨어러블 간질 모니터링 시스템 분야에서 최신 기술들보다 정확도와 에너지 효율성 측면에서 뛰어나다.

ABSTRACT

In the context of epilepsy monitoring, EEG artifacts are often mistaken for seizures due to their morphological similarity in both amplitude and frequency, making seizure detection systems susceptible to higher false alarm rates. In this work we present the implementation of an artifact detection algorithm based on a minimal number of EEG channels on a parallel ultra-low-power (PULP) embedded platform. The analyses are based on the TUH EEG Artifact Corpus dataset and focus on the temporal electrodes. First, we extract optimal feature models in the frequency domain using an automated machine learning framework, achieving a 93.95% accuracy, with a 0.838 F1 score for a 4 temporal EEG channel setup. The achieved accuracy levels surpass state-of-the-art by nearly 20%. Then, these algorithms are parallelized and optimized for a PULP platform, achieving a 5.21 times improvement of energy-efficient compared to state-of-the-art low-power implementations of artifact detection frameworks. Combining this model with a low-power seizure detection algorithm would allow for 300h of continuous monitoring on a 300 mAh battery in a wearable form factor and power budget. These results pave the way for implementing affordable, wearable, long-term epilepsy monitoring solutions with low false-positive rates and high sensitivity, meeting both patients' and caregivers' requirements.

연구 동기 및 목표

• 웨어러블 장기 간질 모니터링에 적합한 저전력·고정확도 EEG 아티팩트 검출 시스템을 개발하기 위해.
• 아티팩트와 간질의 형태학적 유사성으로 인한 높은 위양성률 문제를 해결하기 위해.
• TUH EEG 아티팩트 코퍼스에서 자동화된 기계학습을 통해 아티팩트 검출 성능을 최적화하기 위해.
• 실제 초저전력 임베디드 플랫폼(Mr. Wolf)에 검출 프레임워크를 구현하고 에너지 소비를 최소화하기 위해.

제안 방법

• 주파수 도메인 신호 전처리를 위해 빠른 푸리에 변환(FFT)과 이산 웨이블릿 변환(DWT)을 사용하였다.
• 이진, 다중 레이블, 다중 클래스 다중 출력 분류 작업 전반에 걸쳐 최적의 앙상블 트리 모델을 탐색하기 위해 TPOT 자동 기계학습 프레임워크를 활용하였다.
• 모델 크기와 메모리 프로파일을 줄이기 위해 MCCP 알고리즘을 통한 가지치기로 설계된 의사결정 트리 앙상블(Extra Trees)을 사용하였다.
• 8코어 Mr. Wolf PULP 플랫폼에서의 병렬 실행을 최적화하기 위해 트리 수를 8의 배수로 맞추어 설계하였다.
• Mr. Wolf 칩에서 에너지 소비를 측정하였으며, MMC 케이스에서 추론 시간이 200 µs 이하이며, 추론당 4.71 µJ의 에너지 소비를 달성하였다.
• 저에너지 간질 검출 모델과 아티팩트 검출 모델을 통합하여 300 mAh 배터리로 최대 300시간의 연속 EEG 모니터링을 가능하게 하였다.

실험 결과

연구 질문

• RQ1 자동화된 기계학습이 최소한의 EEG 채널 수로 EEG 아티팩트 검출에 최적화된 트리 기반 모델을 식별할 수 있는가?
• RQ2 TUH EEG 아티팩트 코퍼스에서 이진, 다중 레이블, 다중 클래스 다중 출력 분류 파라다임 간 아티팩트 검출 정확도는 어떻게 달라지는가?
• RQ3 Mr. Wolf와 같은 초저전력 임베디드 플랫폼에 구현되었을 때 트리 기반 아티팩트 검출 시스템의 실현 가능한 에너지 효율성은 어느 정도인가?
• RQ4 정확도를 유지하면서 모델의 가지치기와 병렬 처리가 메모리 프로파일과 에너지 소비를 얼마나 줄일 수 있는가?
• RQ5 제안된 아티팩트 검출 시스템은 저에너지 간질 검출 시스템과 통합되어 장기적인 웨어러블 간질 모니터링을 가능하게 할 수 있는가?

주요 결과

• 4채널 전측두부 EEG 설정을 사용하여 TUH EEG 아티팩트 코퍼스에서 테스트 정확도 93.95%를 달성하였으며, 이는 이전 최신 기술보다 약 20% 높은 성능이다.
• 다중 클래스 다중 출력 분류 설정에서 F1 스코어 0.838을 기록하였으며, 이는 최고의 보고된 F1 스코어와 동일하지만 훨씬 높은 정확도를 확보하였다.
• Mr. Wolf 플랫폼에서 추론당 에너지 소비를 4.71 µJ로 줄여 기존 저전력 구현 대비 에너지 효율성에서 5.21배 향상되었다.
• 병렬 실행을 위해 결정 트리 수를 8의 배수로 제한함으로써 모델 크기를 11,000 kB에서 2,300 kB로 줄였고, 정확도는 1% 감소에 그쳤다.
• 저에너지 간질 검출 알고리즘과 통합되었을 때, 300 mAh 배터리로 최대 300시간의 연속 EEG 모니터링이 가능하다.
• MCCP를 통한 가지치기는 512 kB L2 메모리에 맞추어도 높은 정확도(BC 케이스에서 92.4%)를 유지함으로써 최적화된 임베디드 구현의 강건성을 입증하였다.