[논문 리뷰] High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm

Lorena Qendro, Alexander B. Campbell외 2명|arXiv (Cornell University)|2021. 07. 21.

EEG and Brain-Computer Interfaces인용 수 4

한 줄 요약

이 논문은 고주파 뇌파 아티팩트 검출을 위한 딥러닝 프레임워크인 E4G를 제안한다. 이는 초기 종료 파라다임을 활용하여 불확실성 인식이 가능한 단일 프로퍼그레이션 예측을 가능하게 한다. 초기 종료를 통해 암시적 앙상블 모델을 형성함으로써 E4G는 최고 수준의 F1 스코어(84%)와 잘 校정된 불확실성(몬테카를로 드롭아웃과 유사하나 지연 시간이 5.2배 낮음)을 달성하여 임상의가 참여하는 시스템에 매우 적합하다.

ABSTRACT

Electroencephalography (EEG) is crucial for the monitoring and diagnosis of brain disorders. However, EEG signals suffer from perturbations caused by non-cerebral artifacts limiting their efficacy. Current artifact detection pipelines are resource-hungry and rely heavily on hand-crafted features. Moreover, these pipelines are deterministic in nature, making them unable to capture predictive uncertainty. We propose E4G, a deep learning framework for high frequency EEG artifact detection. Our framework exploits the early exit paradigm, building an implicit ensemble of models capable of capturing uncertainty. We evaluate our approach on the Temple University Hospital EEG Artifact Corpus (v2.0) achieving state-of-the-art classification results. In addition, E4G provides well-calibrated uncertainty metrics comparable to sampling techniques like Monte Carlo dropout in just a single forward pass. E4G opens the door to uncertainty-aware artifact detection supporting clinicians-in-the-loop frameworks.

연구 동기 및 목표

• 수작업 특징 기반의 결정론적이고 자원을 많이 소비하는 EEG 아티팩트 검출 파이프라인의 한계를 해결하기 위해.
• 임상적 신뢰도와 의사결정을 향상시키기 위해 예측 불확실성 추정과 함께 시간별로 아티팩트 검출을 가능하게 하기 위해.
• 몬테카를로 드롭아웃과 같은 샘플링 기반 방법 없이도 불확실성 정량화를 제공하는 확장성 있고 효율적인 딥러닝 프레임워크를 개발하기 위해.
• 고불확실성 예측을 전문가 검토를 위해 식별함으로써 임상의가 참여하는 시스템을 지원하기 위해.

제안 방법

• E4G는 깊이 있는 신경망에서 다수의 중간 종료 분기를 통해 다양한 네트워크 깊이에서 예측을 생성하는 초기 종료(EE) 파라다임을 활용한다.
• 각 초기 종료 분기는 시간별로 예측을 생성하며, 이로 인해 암시적 앙상블 모델이 형성되어 불확실성 추정이 가능해진다.
• 학습은 모든 종료 지점에서의 손실의 가중합을 사용하며, 조기 및 후기 예측의 우선순위를 정하기 위해 학습 가능한 가중치를 사용한다.
• 예측 불확실성은 앙상블 종료 예측에서 계산된 예측 엔트로피와 브리어 스코어를 통해 정량화된다.
• 이 프레임워크는 몬테카를로 드롭아웃의 계산 비용을 피하기 위해 단일 프로퍼그레이션 불확실성 추정을 가능하게 한다.
• 종료 분기 간의 불일치를 분석함으로써 예측 불확실성 기반 의사결정을 지원하며, 아티팩트 경계 검출 및 신뢰도 평가에 기여한다.

실험 결과

연구 질문

• RQ1 초기 종료 파라다임이 샘플링 기반 방법 없이도 불확실성 정량화를 가능하게 하기 위해 EEG 아티팩트 검출에 효과적으로 적용될 수 있는가?
• RQ2 E4G의 불확실성 추정은 몬테카를로 드롭아웃과 비교해 보정 수준과 예측 성능 측면에서 어떻게 다른가?
• RQ3 E4G는 낮은 추론 지연 시간을 유지하면서도 최고 성능의 아티팩트 검출 성능를 달성할 수 있는가?
• RQ4 다수의 초기 종료에서 유도된 예측 불확실성은 임상의가 참여하는 프레임워크에서 임상적 의사결정을 어떻게 지원할 수 있는가?
• RQ5 초기 종료로 형성된 암시적 앙상블은 결정론적 모델에 비해 잘못된 예측에 대해 더 강건한가?

주요 결과

• E4G는 TUH-A v2.0 테스트 세트에서 최고 수준의 F1 스코어 84%를 달성하였으며, 기존 베이스라인과 동일한 성능를 보였다.
• E4G는 잘 校정된 불확실성을 제공하였으며, 잘못된 예측에서 예측 엔트로피 0.45와 브리어 스코어 0.53을 기록하였고, 몬테카를로 드롭아웃(각각 0.53 및 0.55)보다 우수하였다.
• E4G는 기존 베이스라인 대비 오직 1.1배의 지연 시간 오버헤드만을 유발하였고, 몬테카를로 드롭아웃은 5개 샘플로 5.2배의 지연 시간 증가를 보였다.
• 초기 종료 예측 간의 불일치는 아티팩트 경계의 불확실성을 드러내어 전문가 검토를 위한 모호한 영역 자동 탐지가 가능하게 한다.
• 이 프레임워크는 정확도를 희생시키지 않고도 고불확실성 샘플을 전문가에게 라우팅하는 등 불확실성 인식 의사결정을 가능하게 한다.
• 초기 종료로 형성된 암시적 앙상블은 해석 가능성과 강건성을 지원하며, 향후 앙상블 집계 전략에 유용한 종료 다양성 제공에 기여한다.