[논문 리뷰] Machine Learning for removing EEG artifacts: Setting the benchmark

Subhrajit Roy|arXiv (Cornell University)|2019. 03. 19.

EEG and Brain-Computer Interfaces참고 문헌 5인용 수 9

한 줄 요약

이 논문은 세계에서 가장 큰 오픈소스 뇌파 아티팩트 데이터셋(NEDC TUH)을 사용하여 자동 뇌파 아티팩트 인식을 위한 최초의 벤치마크를 수립한다. 다양한 기계학습 모델(LDA에서 XGBoost에 이르기까지)을 여섯 클래스 분류 작업(다섯 가지 아티팩트 유형과 null)에 적용하여 LDA에서 최고의 가중 평균 F1 스코어 0.8012를 기록했으나, 떨림 아티팩트의 경우 성능이 여전히 낮아 민감도가 2.50%에 머물렀다.

ABSTRACT

Electroencephalograms (EEG) are often contaminated by artifacts which make interpreting them more challenging for clinicians. Hence, automated artifact recognition systems have the potential to aid the clinical workflow. In this abstract, we share the first results on applying various machine learning algorithms to the recently released world's largest open-source artifact recognition dataset. We envision that these results will serve as a benchmark for researchers who might work with this dataset in future.

연구 동기 및 목표

• 대규모이고 오픈소스인 데이터셋을 사용하여 자동 뇌파 아티팩트 인식의 성능 기준을 수립하기 위해.
• 이전의 뇌파 아티팩트 탐지 연구에서 닫힌 또는 작은 데이터셋으로 인해 재현 가능한 결과가 부족한 문제를 해결하기 위해.
• 다양한 기계학습 알고리즘을 여섯 클래스의 뇌파 아티팩트 분류 작업(아티팩트 및 비아티팩트(null) 클래스 포함)에 적용하여 평가하기 위해.
• 자동 아티팩트 탐지로 인해 임상 뇌파 분석의 수동 작업과 오류를 줄여 개선하기 위해.
• 특히 희귀하거나 미세한 아티팩트(예: 떨림)를 탐지하는 데에서의 모델 한계를 규명하기 위해.

제안 방법

• 연구는 213명의 환자로부터 수집된 259개 세션과 66,638초의 뇌파 데이터를 포함하는 NEDC TUH 뇌파 아티팩트 코퍼스를 사용한다. 이 데이터셋에는 다섯 가지 아티팩트 유형과 null 클래스가 포함되어 있다.
• 일관성 있는 일반화를 확보하기 위해 환자 수준에서 데이터를 60% 훈련, 20% 검증, 20% 테스트 세트로 분할한다.
• 원시 뇌파 신호는 스파이크 탐지 성능을 향상시키기 위해 22채널의 횡단 중심두엽(Transverse Central Parietal, TCP) 몰타주로 변환된다.
• 특징 추출을 위해 모든 채널에서 1초 간격의 뇌파 클립에 대해 빠른 푸리에 변환(FFT)을 계산하고, 75% 겹침을 적용한다.
• 스펙트럼 특징은 1–24 Hz 범위로 잘라내고, 주파수 범위 간 정규화를 실시한 후, 22×22 상관행렬을 계산한다.
• 상관행렬의 상단 우측 삼각형 부분에서 얻은 고유값의 절대값을 지도학습 모델의 입력 특징으로 사용한다.

실험 결과

연구 질문

• RQ1 다양한 기계학습 알고리즘이 공개된 가장 큰 뇌파 아티팩트 인식 데이터셋에서 어떤 성능을 보일 수 있는가?
• RQ2 환자 수준의 분할을 통해 훈련된 모델이 환자 간 일반화 능력은 얼마나 잘 유지되는가?
• RQ3 어느 기계학습 모델이 여섯 가지 뇌파 아티팩트 클래스를 분류하는 데 가장 높은 가중 평균 F1 스코어와 정확도를 기록하는가?
• RQ4 특히 떨림 아티팩트와 같이 특정 아티팩트 유형이 상당히 낮은 탐지 민감도를 보이는 이유는 무엇인가?
• RQ5 HyperOpt를 통한 하이퍼파rameter 최적화는 이 균형이 깨진 데이터셋에서 모델 성능을 향상시킬 수 있는가?

주요 결과

• 선형 판별 분석(LDA)이 전체 지표에서 가장 높은 가중 평균 F1 스코어 0.8012와 정확도 71.43%를 기록하여 다른 모델들을 압도했다.
• 떨림 아티팩트는 모든 모델에서 가장 낮은 민감도(2.50%)를 보이며 심각한 탐지 격차를 드러냈다.
• k-최근접 이웃(k-NN)은 씹는 행동 아티팩트에 대해 가장 높은 민감도(86.07%)를 기록하여 이 클래스에 특히 효과적임을 시사한다.
• XGBoost와 SGD 분류기는 각각 가중 평균 F1 스코어 0.7996과 0.7887을 기록했으며, null 클래스에 대해 높은 민감도(71.90% 및 70.36%)를 보였다.
• 높은 전체 성능에도 불구하고, 희귀하거나 저진폭 아티팩트에 대해 모델들이 어려움을 겪고 있으며, 특히 떨림 아티팩트의 경우 향상된 특징 공학 또는 데이터 증강이 필요함을 시사한다.
• 훈련 중 클래스 불균형을 해결하기 위해 오버샘플링을 적용했지만, 떨림과 같은 소수 클래스의 탐지 문제를 완전히 해결하지 못했다.