[논문 리뷰] Epileptic Seizure Detection: A Deep Learning Approach

Ramy Hussein, Hamid Palangi외 2명|arXiv (Cornell University)|2018. 03. 27.

EEG and Brain-Computer Interfaces참고 문헌 64인용 수 61

한 줄 요약

논문은 non-overlapping 에포크로 EEG 데이터를 분할하고 고수준 특성을 학습하며 Softmax로 발작을 분류하는 LSTM 기반 딥러닝 파이프라인을 제시하며, 이상적 조건과 노이즈 조건에서 Bonn EEG 데이터에 대해 견고한 성능을 보인다.

ABSTRACT

Epilepsy is the second most common brain disorder after migraine. Automatic detection of epileptic seizures can considerably improve the patients' quality of life. Current Electroencephalogram (EEG)-based seizure detection systems encounter many challenges in real-life situations. The EEGs are non-stationary signals and seizure patterns vary across patients and recording sessions. Moreover, EEG data are prone to numerous noise types that negatively affect the detection accuracy of epileptic seizures. To address these challenges, we introduce the use of a deep learning-based approach that automatically learns the discriminative EEG features of epileptic seizures. Specifically, to reveal the correlation between successive data samples, the time-series EEG data are first segmented into a sequence of non-overlapping epochs. Second, Long Short-Term Memory (LSTM) network is used to learn the high-level representations of the normal and the seizure EEG patterns. Third, these representations are fed into Softmax function for training and classification. The results on a well-known benchmark clinical dataset demonstrate the superiority of the proposed approach over the existing state-of-the-art methods. Furthermore, our approach is shown to be robust in noisy and real-life conditions. Compared to current methods that are quite sensitive to noise, the proposed method maintains its high detection performance in the presence of common EEG artifacts (muscle activities and eye-blinking) as well as white noise.

연구 동기 및 목표

• 환자의 삶의 질을 향상시키기 위해 자동 EEG 기반 발작 탐지를 추진한다.
• 비정상적이고 아티팩트가 많은 EEG 데이터를 다룰 수 있는 강력한 딥러닝 모델을 개발한다.
• 세그먼트 단위의 LSTM 특징 학습 후 Softmax 분류를 활용한다.
• 이상적 조건 및 노이즈 조건에서 Bonn University EEG 벤치마크에 대한 성능을 평가한다.

제안 방법

• 시계열 EEG를 비중첩 세그먼트로 나눠 시간적 상관관계를 포착한다.
• 100유닛 LSTM, 50유닛의 타임-디스트리뷰티드 Dense 계층, 그리고 1D 평균 풀링 계층을 갖춘 3계층 아키텍처를 사용한다.
• 크로스 엔트로피 손실과 Adam 옵티마이저를 사용해 Softmax 분류기로 학습한다.
• 아티팩트(눈 깜박임, 근육 활동) 및 가우시안 화이트 노이즈를 추가해 강건성을 평가한다.
• 평가를 위해 Hold-out와 교차 검증(CV) 방식을 모두 탐색한다.

실험 결과

연구 질문

• RQ1 세그먼트화된 EEG 데이터로부터 발작 탐지를 위한 판별 가능한 EEG 특징을 LSTM 기반 모델이 학습할 수 있는가?
• RQ2 세그먼트 수준의 LSTM 특징 학습이 Bonn 데이터셋에서 전통적 방법에 비해 발작 탐지 정확도를 향상시키는가?
• RQ3 제안된 방법은 일반적인 EEG 아티팩트와 화이트 노이즈에 대해 얼마나 강건한가?
• RQ4 Bonn 데이터에서 이진, 삼진, 오진 다섯 분류 문제에 대해 어떤 분류 성능(민감도, 특이도, 정확도)이 달성 가능한가?

주요 결과

• Bonn EEG 데이터셋에서 높은 탐지 성능을 달성하며, 여러 이진 및 Hold-out 설정에서 100% 정확도를 보인다.
• 근육 활동, 눈 깜박임, 화이트 노이즈와 같은 아티팩트에 대해 강건함을 보이고 노이즈 조건에서도 높은 정확도를 유지한다.
• 제안된 Hold-out 및 교차 검증 구성을 통해 이진 분류에서 100% 민감도와 100% 특이도를 보인다.
• 이상적 조건에서 본 방법은 Bonn 데이터셋에서 다수의 최신 방법보다 우수한 성능을 보인다.
• EEG 분할 길이 분석에서 L=1 또는 L=2가 최적 정확도를 보이며, 정확도와 효율의 균형을 위해 L=2를 선택한다.