[논문 리뷰] Investigating the Impact of CNN Depth on Neonatal Seizure Detection Performance

Alison O'Shea, Gordon Lightbody외 2명|Arrow@dit (Dublin Institute of Technology)|2018. 06. 08.

EEG and Brain-Computer Interfaces참고 문헌 15인용 수 15

한 줄 요약

이 연구는 다중채널 뇌전도(EEG)에서 신생아 경련 탐지에 최적화된 깊이 있는 완전 컨volutional 신경망(CNN) 아키텍처를 제안한다. 네트워크의 깊이를 체계적으로 변화시켜, 11층의 CNN이 얕은 SVM보다 AUC90을 82.6%에서 86.8%로 향상시켰음을 입증한다. 또한 모델 융합을 통해 성능을 더욱 향상시켜 87.6%에 도달한다.

ABSTRACT

This study presents a novel, deep, fully convolutional architecture which is optimized for the task of EEG-based neonatal seizure detection. Architectures of different depths were designed and tested; varying network depth impacts convolutional receptive fields and the corresponding learned feature complexity. Two deep convolutional networks are compared with a shallow SVM-based neonatal seizure detector, which relies on the extraction of hand-crafted features. On a large clinical dataset, of over 800 hours of multichannel unedited EEG, containing 1389 seizure events, the deep 11-layer architecture significantly outperforms the shallower architectures, improving the AUC90 from 82.6% to 86.8%. Combining the end-to-end deep architecture with the feature-based shallow SVM further improves the AUC90 to 87.6%. The fusion of classifiers of different depths gives greatly improved performance and reduced variability, making the combined classifier more clinically reliable.

연구 동기 및 목표

• 뇌전도 데이터를 사용하여 컨volutional 신경망(CNN)의 깊이가 신생아 경련 탐지 성능에 미치는 영향을 조사하는 것.
• 다중채널, 편집되지 않은 신생아 뇌전도 기록에 특화된 완전 컨volutional 딥 러닝 아키텍처를 개발하는 것.
• 수작업 특징을 기반으로 하는 수동 특징 추출에 의존하는 얕은 SVM 기반 탐지기와의 성능 비교.
• 다양한 깊이의 분류기 조합이 정확도와 신뢰성 향상에 얼마나 효과적인지 평가하는 것.
• 실제 뇌전도 데이터셋에서 변동성을 줄이고 탐지 정확도를 향상시켜 임상적 신뢰성을 향상시키는 것.

제안 방법

• 원시 뇌전도 신호로부터 계층적 특징을 직접 학습하기 위해 깊이가 다른(얕은 것에서 11층까지) 완전 컨볼루션 신경망(FCN)을 설계하고 훈련한다.
• 훈련 및 평가에 사용하기 위해 1389건의 경련 사건을 포함한 800시간 이상의 다중채널, 편집되지 않은 뇌전도 기록을 포함한 대규모 임상 데이터셋을 활용한다.
• 수작업 특징 설계 없이도 관련 공간-시간적 특징을 자동으로 추출할 수 있도록 엔드 투 엔드 학습을 구현한다.
• 수작업 특징을 사용하는 얕은 SVM 기반 분류기와 깊은 CNN을 융합하여 하이브리드 앙상블 모델을 구성한다.
• 다양한 깊이의 네트워크 예측을 통합하기 위해 모델 융합 기법을 적용하여 변동성을 줄이고 일반화 능력을 향상시킨다.
• 주요 평가 지표로 AUC90를 사용하여 경련 탐지의 민감도와 특이도에 중점을 두고 성능을 평가한다.

실험 결과

연구 질문

• RQ1 CNN의 깊이를 증가시킬수록 뇌전도 신호에서의 신생아 경련 탐지 성능에 어떤 영향을 미치는가?
• RQ2 수작업 특징에 의존하는 얕은 SVM 기반 탐지기보다 깊이 있는 완전 컨볼루션 네트워크가 성능에서 뛰어나게 되는가?
• RQ3 딥 러닝 모델과 전통적인 특징 기반 분류기의 조합이 탐지 정확도와 신뢰성을 향상시키는가?
• RQ4 다양한 깊이의 모델 융합이 성능 변동성을 줄이고 임상적 안정성을 향상시키는가?
• RQ5 원시 뇌전도 데이터를 사용한 신생아 경련 탐지에서 AUC90를 최대화하기 위한 최적의 네트워크 깊이는 무엇인가?

주요 결과

• 11층의 깊은 CNN은 AUC90 86.8%를 달성하여 얕은 SVM 기반 탐지기의 82.6% AUC90보다 뚜렷한 향상을 보였다.
• 깊은 CNN과 얕은 SVM 기반 분류기를 융합함으로써 AUC90가 87.6%로 더욱 향상되었으며, 상호보완적인 학습 접근 방식의 이점을 입증했다.
• 깊은 아키텍처는 깊이가 증가할수록 더 큰 수신장과 더 복잡한 특징을 추출하는 데서 뛰어난 특징 학습 능력을 보였다.
• 모델 융합은 성능 변동성을 줄여 더 안정적이고 임상적으로 신뢰할 수 있는 탐지 시스템을 만들어 냈다.
• 깊은 네트워크가 신생아 뇌전도에서 경련과 관련된 복잡한 공간-시간 패턴을 보다 잘 포착할 수 있음을 확인했다.
• 대규모 실생활 뇌전도 데이터셋에 적용된 엔드 투 엔드 딥 러닝은 기존의 수작업 특징 방법을 능가할 수 있음을 이 연구가 입증했다.