[논문 리뷰] Epileptic seizure prediction using Pearson's product-moment correlation coefficient of a linear classifier from generalized Gaussian modeling

Antonio Quintero-Rincón, Carlos D’Giano외 1명|arXiv (Cornell University)|2020. 06. 02.

Fractal and DNA sequence analysis참고 문헌 22인용 수 6

한 줄 요약

이 연구는 선형 분류기 내에서 일반화된 가우시안 분포의 모수로부터 유도된 피어슨의 적률상관계수를 사용하여 간질 발작 예측 모델을 제안한다. 다양한 뇌 리듬을 통해 뇌전도 신호를 분석함으로써, 9명의 환자에서 발생한 36건의 간질 발작에 대해 민감도 100% 및 특이도 83% 이상을 달성하였으며, 선형 분류기 모델이 손실 및 오차 지표 모두에서 SVM 기반 모델보다 뛰어난 성능을 보였다.

ABSTRACT

To predict an epileptic event means the ability to determine in advance the time of the seizure with the highest possible accuracy. A correct prediction benchmark for epilepsy events in clinical applications is a typical problem in biomedical signal processing that helps to an appropriate diagnosis and treatment of this disease. In this work, we use Pearson's product-moment correlation coefficient from generalized Gaussian distribution parameters coupled with a linear-based classifier to predict between seizure and non-seizure events in epileptic EEG signals. The performance in 36 epileptic events from 9 patients showing good performance with 100% of effectiveness for sensitivity and specificity greater than 83% for seizures events in all brain rhythms. Pearson's test suggests that all brain rhythms are highly correlated in non-seizure events but no during the seizure events. This suggests that our model can be scaled with the Pearson's product-moment correlation coefficient for the detection of epileptic seizures.

연구 동기 및 목표

• EEG 생물학적 지표를 활용하여 신뢰할 수 있는 간질 발작 예측 방법을 개발하기 위해.
• 고도의 신호 처리 기법을 통해 조기 발작 탐지가 가능하게 하여 임상적 결과를 향상시키기 위해.
• 일반화된 가우시안 모델링과 피어슨 상관계수를 통한 선형 분류기 성능 평가를 위해.
• 다양한 EEG 주파수 대역에서 선형 분류기와 SVM 기반 모델 간의 예측 정확도를 비교하기 위해.
• 다양한 뇌 리듬과 환자 데이터에 걸쳐 모델의 강인성을 검증하기 위해.

제안 방법

• EEG 신호 특징을 일반화된 가우시안 분포로 모델링하여 형태 및 척도 모수를 추정하기 위해.
• 분포 모수를 기반으로 발작 및 비발작 상태를 구분하기 위해 선형 분류기를 적용하기 위해.
• 분류기 출력값과 발작/비발작 레이블 간의 피어슨 적률상관계수를 분류 성능 측정 지표로 계산하기 위해.
• 모델 일반화 및 성능 안정성 평가를 위해 유한한 교차검증(leave-one-out cross-validation)을 사용하기 위해.
• 표준 지표인 민감도(TPR), 특이도(TNR), 위양성률(FPR), 전체 정확도(ACC)를 사용하여 모델 성능 평가하기 위해.
• 동일한 특징 세트와 검증 프rotocol를 사용하여 선형 분류기 모델 [Q]를 두 개의 SVM 기반 모델 [S] 및 [C]와 비교하기 위해.

실험 결과

연구 질문

• RQ1 피어슨의 적률상관계수는 EEG 신호에서 발작 및 비발작 상태를 효과적으로 구분할 수 있는가?
• RQ2 일반화된 가우시안 분포 모수 기반의 선형 분류기는 SVM 기반 모델보다 간질 발작 예측에서 뛰어난 성능을 보이는가?
• RQ3 본 모델의 민감도 및 특이도는 다양한 EEG 주파수 대역(θ, α, β, γ)에서 어떻게 나타나는가?
• RQ4 교차검증 과정에서 선형 모델과 SVM 기반 모델 간의 손실 및 명백한 오차 지표는 어떻게 비교되는가?
• RQ5 모델의 성능은 여러 환자와 다양한 뇌 리듬에서 일관되게 유지되는가?

주요 결과

• 선형 분류기 모델 [Q]는 모든 EEG 주파수 대역에서 100% 민감도(TPR)를 기록하여 발작 사건을 완벽하게 탐지함을 의미한다.
• 모든 대역에서 특이도(TNR)가 83%를 초과하였으며, 특히 θ 및 γ 대역에서 최고 수준의 94%를 기록하여 강력한 참음성 분류 성능을 보였다.
• 선형 모델 [Q]는 모든 모델 중에서 가장 낮은 손실(0.083)과 명백한 오차(0.083)를 기록하여, 두 개의 SVM 기반 모델 [S] 및 [C]를 모두 능가하는 성능을 보였다.
• 피어슨 상관계수 분석 결과, 비발작 상태에서는 뇌 리듬 간에 높은 상관관계를 보였지만, 발작 상태에서는 상관관계가 감소함을 확인하여, 모델의 분류 능력이 타당함을 뒷받침하였다.
• 9명의 환자에서 발생한 36건의 사건(18건의 발작, 18건의 비발작)에 대해 높은 정확도(ACC)를 기록하였으며, 대역에 따라 30%에서 35%의 범위에서 변동하였다.
• 모델 [Q]는 특이도, 정확도, 오차 지표 측면에서 종합적으로 뛰어난 성능를 보였으며, 임상적 EEG 기반 간질 발작 예측에 있어 확장성과 강인성을 보여주었다.