[논문 리뷰] Hyperdimensional Computing for ADHD Classification using EEG Signals

Federica Colonnese, Antonello Rosato외 2명|arXiv (Cornell University)|2025. 01. 09.

Ferroelectric and Negative Capacitance Devices인용 수 3

한 줄 요약

이 논문은 시공간 인코더를 갖춘 초고차원 컴퓨팅을 적용하여 휴식 상태 EEG로 ADHD를 분류하고, 88.9% 정확도를 달성하며 훨씬 적은 학습 데이터로 DNN 벤치마크를 능가한다.

ABSTRACT

Following the recent interest in applying the Hyperdimensional Computing paradigm in medical context to power up the performance of general machine learning applied to biomedical data, this study represents the first attempt at employing such techniques to solve the problem of classification of Attention Deficit Hyperactivity Disorder using electroencephalogram signals. Making use of a spatio-temporal encoder, and leveraging the properties of HDC, the proposed model achieves an accuracy of 88.9%, outperforming traditional Deep Neural Networks benchmark models. The core of this research is not only to enhance the classification accuracy of the model but also to explore its efficiency in terms of the required training data: a critical finding of the study is the identification of the minimum number of patients needed in the training set to achieve a sufficient level of accuracy. To this end, the accuracy of our model trained with only $7$ of the $79$ patients is comparable to the one from benchmarks trained on the full dataset. This finding underscores the model's efficiency and its potential for quick and precise ADHD diagnosis in medical settings where large datasets are typically unattainable.

연구 동기 및 목표

• EEG를 사용한 Hyperdimensional Computing (HDC)을 이용한 ADHD 분류 조사.
• 다수의 환자에서 환자 특이적 학습 없이 작동할 수 있는 일반화된 시공간 HDC 인코더 개발.
• 경쟁력 있는 정확도에 필요한 최소 환자 수를 식별하여 학습 데이터 효율성 평가.
• 표준 딥러닝 벤치마크(SVM, CNN, LSTM)와의 HDC 성능 비교.
• 임상 환경에 적합한 경량이고 효율적인 진단 방법 홍보.

제안 방법

• EEG 신호를 두 부분 시공간 인코더로 고차원 공간에 인코딩합니다(채널 간 공간 HV 바인딩과 시간적 n-gram HV 순열).
• 신호 레벨을 양자화하기 위해 직교 채널 특이 아이템 메모리(iM)와 연속 아이템 메모리(CiM)를 사용합니다.
• 연관 기억에서 클래스 프로토타입을 생성하고 프로토타입과의 코사인 유사도로 분류합니다(프로토타입에 대한 원샷 학습).
• 환자 전체에 걸쳐 데이터를 학습/테스트 세트로 분할하여 환자 특이적 학습이 아닌 일반화를 향상시킵니다.
• EEG를 256 Hz에서 32 Hz로 다운샘플링하고 1초 길이의 n-gram으로 분할하여 시간 구조를 포착합니다(각 n-gram당 32차원 HV).
• 59명의 환자로 학습하고 20명의 환자로 테스트하며, n-gram 단위 분류를 평가하고 이를 환자별 의사결정으로 집계합니다.

Figure 1: General scheme of a general HDC classification problem.

실험 결과

연구 질문

• RQ1 일반화된 시공간 인코더를 갖춘 HDC가 휴식 상태 EEG에서 ADHD 대 컨트롤 분류를 달성할 수 있는가?
• RQ2 전통적인 DNN보다 경쟁력 있는 정확도에 도달하기 위해 HDC가 더 적은 학습 샘플을 필요로 하는가?
• RQ3 제안된 인코더가 공간-시간 정보를 어떻게 처리하여 강건성과 효율성을 향상시키는가?
• RQ4 동일 데이터셋에서 HDC 성능이 SVM, CNN, LSTM 벤치마크와 어떻게 비교되는가?
• RQ5 ADHD 분류를 위한 진단 정보를 유지하기에 충분한 전처리 및 데이터 축소 단계는 무엇인가?

주요 결과

모델	정확도 (%)	F1-스코어	정밀도	재현율
SVM-ADHD	70.7±0.05	0.712±0.003	0.708±0.004	0.716±0.002
CNN-ADHD	71.4±0.01	0.720±0.002	0.715±0.003	0.727±0.001
LSTM-ADHD	72.2±0.01	0.731±0.003	0.729±0.002	0.733±0.003
ADHDC	88.9±0.02	0.875±0.004	0.850±0.005	0.904±0.003

• HDC 기반 ADHDC 모델은 테스트 세트에서 88.9% 정확도를 달성했고 세 가지 DNN 벤치마크를 모두 능가했다.
• ADHDC는 ADHD 대 컨트롤 과제에서 0.875 F1-스코어, 0.850 정밀도, 0.904 재현율을 기록했다.
• SVM(70.7%), CNN(71.4%), LSTM(72.2%)과 비교할 때 ADHDC는 상당히 더 높은 성능을 제공한다.
• 모델은 59명의 환자로 학습하고 20명으로 테스트되어 데이터 효율성이 강함을 시사한다.
• 이 방법은 최소한의 전처리로 빠른 학습과 낮은 계산 요구를 보여준다.

Figure 2: Graphical representation of the spatio-temporal encoder applied to the $j$ -th patient. This encoder processes EEG signals, transforming them into an HV representation to be used for the final classification.