[논문 리뷰] Principal Component Analysis for seizure characterization in EEG signals

Melisa Maidana Capitán, Nuria Cámpora외 2명|arXiv (Cornell University)|2019. 02. 28.

EEG and Brain-Computer Interfaces인용 수 3

한 줄 요약

이 논문은 뇌내 뇌전도도 신호의 주파수 대역에서의 전력 변동을 분석하여 간질 발작을 특성화하기 위해 비지도 주성분 분석(PCA) 방법을 제안한다. 이 방법은 85%의 정밀도와 88%의 재현율로 실시간 검출이 가능하며, 실신과 관련된 생리학적 연관성—예를 들어 발작 시작 시 알파 대역 전력 분산 증가—를 규명한다.

ABSTRACT

A large variety of methods has been proposed for automatic seizure detection in EEG signals. Those achieving maximal performance are based on machine-learning techniques, which require long training sessions with large labelled databases, and produce a verdict with no intuitive justification. As an alternative, we here explore an unsupervised algorithm applicable to intra-cranial EEG recordings that requires good sampling of the non-ictal periods, but imposes no demands on the amount of data during ictal activity. The algorithm analyses how the amount of power in each frequency band fluctuates ( an evaluation physicians are familiar with ) and can be implemented online. The analysis is performed electrode by electrode, thus providing the spatio-temporal sequence in which the affected regions are recruited into the crisis. We test it with 32 crisis registered in 5 patients, for which we also have the degree of loss of consciousness as determined from a behavioural analysis. The method can achieve a precision of 85% and a recall of 88% in the identification of seizures, and 77% and 88% in the identification of recruited electrodes. The intuitive nature of the analysis allows us to identify certain physiological features that are correlated with the degree of loss of consciousness. For example, epileptic crisis in which the variance of the power in the alpha band increases at around seizure onset are particularly likely to impair consciousness. We conclude that the PCA of the distribution of power in different frequency bands provides information both about the detection and the characterization of epileptic seizures.

연구 동기 및 목표

• 대규모 레이블이 부여된 데이터셋이 필요 없이 간질 발작을 비지도로 탐지하고 특성화할 수 있는 해석 가능한 방법을 개발하는 것.
• 발작 중 의식 상실 정도와 관련된 EEG 전력 동역학에서의 생리학적 지표를 규명하는 것.
• 뇌 영역 간 발작 시작의 시공간적 진행을 추적하기 위해 실시간으로 전극 단위 분석을 가능하게 하는 것.
• 결정 과정이 투명하지 않은 복잡한 기계학습 모델에 대한 의존도를 줄이기 위해 직관적인 전력 기반 특징을 활용하는 것.

제안 방법

• 뇌내 뇌전도도 기록에서 주파수 대역(예: 델타, 테타, 알파, 베타, 감마)의 전력 분포에 주성분 분석(PCA)을 적용하는 것.
• 각 전극의 주파수 대역별 전력의 시간적 변동을 분석하여 임상의가 익숙한 특징을 활용하는 것.
• 데이터를 전극 단위로 처리하여 뇌 영역 간 발작 시작의 시공간적 순서를 재구성하는 것.
• 첫 번째 주성분을 사용해 발작 시작 주변에서 두드러진 전력 변동 패턴을 포착하는 것.
• 최소한의 발작기 데이터가 필요하며, 비발작기 데이터의 양이 충분할 경우에만 학습이 가능하여, 발작 샘플 수가 제한된 경우에도 적용 가능하도록 하는 것.
• 실시간 모니터링 및 탐지를 위해 알고리즘을 온라인으로 구현하는 것.

실험 결과

연구 질문

• RQ1 주파수 대역 전력 분포의 PCA는 대규모 레이블이 없는 데이터셋이 존재하는 뇌내 뇌전도도에서 간질 발작을 높은 정확도와 해석 가능성으로 탐지할 수 있는가?
• RQ2 발작 중 의식 상실 정도와 관련된 특정 주파수 대역의 전력 동역학은 무엇인가?
• RQ3 이 방법은 전극 간 발작 시작의 시공간적 진행을 얼마나 잘 추적할 수 있는가?
• RQ4 지도 학습 기반 기계학습 방법과 유사한 성능을 달성할 수 있는 비지도 접근 방식은 대규모 레이블이 부여된 데이터셋이 없이도 가능한가?

주요 결과

• 이 방법은 5명의 환자에서 발생한 32건의 발작에 대해 85%의 정밀도와 88%의 재현율로 발작을 탐지하였다.
• 관여된 전극을 식별하는 데서는 77%의 정밀도와 88%의 재현율을 기록하여 정밀한 국소화 능력을 보였다.
• 발작 시작 주변에서 알파 대역 전력의 분산 증가가 의식 상실 가능성 증가와 유의미하게 상관관계가 있었다.
• PCA 기반 분석은 임상 평가 관행과 일치하는 직관적이고 해석 가능한 프레임워크를 제공하였다.
• 비발작기 데이터의 양이 충분하고, 발작기 데이터가 최소한으로 필요하므로, 발작 레코드 수가 제한된 데이터셋에도 적용 가능하였다.
• 이 방법은 온라인 구현이 가능하여 실시간으로 발작 동역학을 모니터링할 수 있었다.