[논문 리뷰] Patient-independent Epileptic Seizure Prediction using Deep Learning Models

Theekshana Dissanayake, Tharindu Fernando외 3명|arXiv (Cornell University)|2020. 11. 18.

EEG and Brain-Computer Interfaces참고 문헌 27인용 수 6

한 줄 요약

이 논문은 다중 환자 EEG 데이터를 기반으로 훈련된 환자 독립적 딥러닝 모델 두 종류—특히 시아모닉 CNN과 표준 CNN—을 제안하여 최대 1시간 전에 간질 발작을 예측한다. 시아모닉 모델은 CHB-MIT-EEG 데이터셋에서 91.54%의 정확도를 기록하며 이전 연구를 능가하며, 예측 가능한 생물학적 지표를 드러내기 위해 SHAP 기반 모델 해석을 도입한다.

ABSTRACT

Objective: Epilepsy is one of the most prevalent neurological diseases among humans and can lead to severe brain injuries, strokes, and brain tumors. Early detection of seizures can help to mitigate injuries, and can be used to aid the treatment of patients with epilepsy. The purpose of a seizure prediction system is to successfully identify the pre-ictal brain stage, which occurs before a seizure event. Patient-independent seizure prediction models are designed to offer accurate performance across multiple subjects within a dataset, and have been identified as a real-world solution to the seizure prediction problem. However, little attention has been given for designing such models to adapt to the high inter-subject variability in EEG data. Methods: We propose two patient-independent deep learning architectures with different learning strategies that can learn a global function utilizing data from multiple subjects. Results: Proposed models achieve state-of-the-art performance for seizure prediction on the CHB-MIT-EEG dataset, demonstrating 88.81% and 91.54% accuracy respectively. Conclusions: The Siamese model trained on the proposed learning strategy is able to learn patterns related to patient variations in data while predicting seizures. Significance: Our models show superior performance for patient-independent seizure prediction, and the same architecture can be used as a patient-specific classifier after model adaptation. We are the first study that employs model interpretation to understand classifier behavior for the task for seizure prediction, and we also show that the MFCC feature map utilized by our models contains predictive biomarkers related to interictal and pre-ictal brain states.

연구 동기 및 목표

• 발작 예측을 위한 EEG 데이터의 높은 환자 간 변동성을 해결한다.
• 개별 환자에 맞는 최적화 없이도 다양한 환자에게 일반화 가능한 환자 독립적 딥러닝 모델을 개발한다.
• 다양한 EEG 기록 간의 공통 패턴을 활용하여 발작 예측 성능을 향상시킨다.
• 예측에 기여하는 EEG 특징과 채널을 이해하기 위해 모델의 해석 가능성을 제공한다.
• 제한된 데이터로도 개인 맞춤형 적응을 위한 전이 학습 잠재력을 입증한다.

제안 방법

• 다중 환자 EEG 데이터를 기반으로 훈련된 두 가지 딥러닝 아키텍처—시아모닉 CNN과 표준 CNN—을 제안한다.
• 환자 간 변동성에도 불구하고 글로벌 패턴을 학습할 수 있도록 새로운 학습 전략을 도입한다.
• 스펙트럼 동역학을 캡처하기 위해 EEG 신호에서 멜 주파수 푸리에 계수(MFCCs)를 추출하여 입력 특징으로 사용한다.
• 모델 결정을 해석하고 예측 가능한 생물학적 지표를 식별하기 위해 t-SNE 시각화와 SHAP(SHapley Additive exPlanations)를 적용한다.
• 제한된 데이터로도 사전에 훈련된 환자 독립적 모델을 개인 환자에게 적응시키기 위해 전이 학습을 구현한다.
• 완전히 새로운 환자에 대한 일반화 능력을 평가하기 위해 환자 한 명을 제외한 교차 검증(LOPO)을 사용한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 다양한 EEG 기록에서 환자 독립적 발작 예측에 높은 정확도를 달성할 수 있는가?
• RQ2 제안된 모델은 예측 성능를 유지하면서 EEG 신호의 환자 간 변동성을 어떻게 다루는가?
• RQ3 MFCC 특징은 전발작기 및 간격기 뇌 상태 전이를 어떻게 캡처하는가?
• RQ4 제한된 데이터로 전이 학습을 통해 환자 독립적 모델을 개인 환자에게 얼마나 잘 적응시킬 수 있는가?
• RQ5 SHAP와 같은 모델 해석 기법을 통해 EEG 기반 발작 예측에서 생물학적으로 의미 있는 생물학적 지표를 드러낼 수 있는가?

주요 결과

• 시아모닉 CNN 모델은 CHB-MIT-EEG 데이터셋에서 91.54%의 정확도를 기록하며 최신 기술을 능가한다.
• 표준 CNN 모델은 88.81%의 정확도를 기록하여 환자 독립적 발작 예측에서 뛰어난 성능을 보였다.
• SHAP 분 析를 통해 MFCC 특징이 전발작기 및 간격기 뇌 상태와 관련된 예측 가능한 생물학적 지표를 포함하고 있음을 확인했다.
• 전이 학습을 통해 제한된 데이터로도 개인 환자에서 높은 성능(96.67% ± 3.62% 정확도)을 달성할 수 있었다.
• 11개의 24개 환자 케이스에서 완전히 새로운 환자에게 일반화되었으며, 정확도가 60% 이상을 기록하여 높은 강건성을 보였다.
• t-SNE 시각화 결과, 다양한 환자 간 전발작기 및 간격기 상태를 의미 있고 분리 가능한 표현으로 학습하고 있음을 확인했다.