[논문 리뷰] Human Intracranial EEG Quantitative Analysis and Automatic Feature Learning for Epileptic Seizure Prediction

Ramy Hussein, Mohamed Osama Ahmed외 4명|arXiv (Cornell University)|2019. 04. 07.

EEG and Brain-Computer Interfaces참고 문헌 28인용 수 37

한 줄 요약

본 논문은 전처리된 iEEG 데이터를 이미지 유사 스펙트로그램으로 변환한 CNN 기반 발작 예측 시스템을 제시하며, Kaggle iEEG 데이터 세트에서 다중 스케일 CNN이 최첨단 방법을 능가함을 보여준다.

ABSTRACT

Objective: The aim of this study is to develop an efficient and reliable epileptic seizure prediction system using intracranial EEG (iEEG) data, especially for people with drug-resistant epilepsy. The prediction procedure should yield accurate results in a fast enough fashion to alert patients of impending seizures. Methods: We quantitatively analyze the human iEEG data to obtain insights into how the human brain behaves before and between epileptic seizures. We then introduce an efficient pre-processing method for reducing the data size and converting the time-series iEEG data into an image-like format that can be used as inputs to convolutional neural networks (CNNs). Further, we propose a seizure prediction algorithm that uses cooperative multi-scale CNNs for automatic feature learning of iEEG data. Results: 1) iEEG channels contain complementary information and excluding individual channels is not advisable to retain the spatial information needed for accurate prediction of epileptic seizures. 2) The traditional PCA is not a reliable method for iEEG data reduction in seizure prediction. 3) Hand-crafted iEEG features may not be suitable for reliable seizure prediction performance as the iEEG data varies between patients and over time for the same patient. 4) Seizure prediction results show that our algorithm outperforms existing methods by achieving an average sensitivity of 87.85% and AUC score of 0.84. Conclusion: Understanding how the human brain behaves before seizure attacks and far from them facilitates better designs of epileptic seizure predictors. Significance: Accurate seizure prediction algorithms can warn patients about the next seizure attack so they could avoid dangerous activities. Medications could then be administered to abort the impending seizure and minimize the risk of injury.

연구 동기 및 목표

• 발작 전 및 발작 사이의 인간 iEEG 데이터를 정량적으로 분석하여 뇌의 행동을 이해한다.
• CNN에 대한 이미지 유사 입력으로 시계열 iEEG를 변환하는 효율적인 사전 처리 파이프라인을 개발한다.
• iEEG 특징을 자동으로 학습하기 위한 협력적 다중 스케일 CNN 아키텍처를 제안한다.
• 약물 내성 뇌전증 환자들에서 발작 예측 성능을 시연하고 최첨단 방법과 비교한다.

제안 방법

• 데이터 크기를 줄이면서 정보적 저주파 내용을 보존하기 위해 iEEG 클립을 400 Hz에서 100 Hz로 다운샘플링한다.
• 학습 샘플 수를 늘리기 위해 10분 클립을 1분 세그먼트로 분할한다.
• 세그먼트당 16채널 STFT 스펙트로그램 이미지를 생성하기 위해 Short-Time Fourier Transform을 적용한다.
• 1x1, 3x3, 5x5 컨볼루션 경로와 병렬 풀링 경로를 갖는 다중 분기 CNN을 사용하고 출력들을 FC 계층으로 연결한다.
• Adam 옵티마이저(lr=0.001)를 사용한 이진 교차 엔트로피로 학습하며, 10분 클립당 최종 예측은 1분 예측의 최대값으로 결정한다.
• 민감도(SEN)와 AUC 지표로 평가하고, 동일한 Kaggle iEEG 데이터 세트에서 이전 방법들과 비교한다.

실험 결과

연구 질문

• RQ1 발작 사이의 간질상태(interictal)와 발작 전(preictal) iEEG 상태가 환자 간 예측을 가능하게 할 만큼統계적으로 충분히 차이가 있는가?
• RQ2 발작 예측을 위해 iEEG 차원을 PCA로 축소하는 것이 신뢰할 수 있는가, 아니면 불리한가?
• RQ3 발작 예측에 모든 iEEG 채널을 사용하는 것이 채널 제외보다 이로운가?
• RQ4 제안된 다중 스케일 CNN이 STFT 기반의 iEEG 스펙트로그램으로부터 효과적인 지역적 및 고수준 특징을 학습할 수 있는가?
• RQ5 제안된 다중 스케일 CNN은 Kaggle 데이터 세트에서 기존 방법들에 비해 어떤 성능을 보이는가?

주요 결과

• iEEG 채널은 보완적 정보를 제공하므로 예측의 정확성을 위해 채널 제외는 바람직하지 않다.
• 발작 예측 맥락에서 PCA는 iEEG 데이터 축소에 신뢰할 수 없다.
• 손으로 설계된 iEEG 특징은 환자와 시간에 따라 일반화되지 않을 수 있다.
• 제안된 다중 스케일 CNN 접근법은 환자 간 평균 SEN 87.85% 및 AUC 0.84를 달성하여 다수의 기존 방법을 능가한다.