[논문 리뷰] Random Forest classifier for EEG-based seizure prediction

Remy Ben Messaoud, Mario Chávez|arXiv (Cornell University)|2021. 06. 02.

EEG and Brain-Computer Interfaces참고 문헌 32인용 수 4

한 줄 요약

이 연구는 전기자극기록(EEG) 기반 발작 예측을 위한 랜덤 포레스트 분류기를 제안하며, 발작 전 상태의 에포크 단위 확률 추정을 활용하여 정확도를 향상시키고 가짜 경고를 줄인다. 5분 발작 예측 시간 간격을 가진 CHB-MIT 두피 EEG 데이터셋에서, 이는 82.07%의 민감도와 시간당 0.0799회의 낮은 가짜 경고율을 기록하여 최신 기술을 능가한다.

ABSTRACT

Epileptic seizure prediction has gained considerable interest in the computational Epilepsy research community. This paper presents a Machine Learning based method for epileptic seizure prediction which outperforms state-of-the art methods. We compute a probability for a given epoch, of being pre-ictal against interictal using the Random Forest classifier and introduce new concepts to enhance the robustness of the algorithm to false alarms. We assessed our method on 20 patients of the benchmark scalp EEG CHB-MIT dataset for a seizure prediction horizon (SPH) of 5 minutes and a seizure occurrence period (SOP) of 30 minutes. Our approach achieves a sensitivity of 82.07 % and a low false positive rate (FPR) of 0.0799 /h. We also tested our approach on intracranial EEG recordings.

연구 동기 및 목표

• EEG 신호를 이용한 신뢰할 수 있는 간질 발작 예측을 위한 기계학습 기반 방법을 개발하는 것.
• 높은 민감도를 유지하면서도 가짜 경고율을 낮추기 위해 기존 최신 기술적 접근법을 향상시키는 것.
• 새로운 특징 공학 및 분류기 설계를 통해 가짜 경고에 대한 알고리즘의 강인성을 향상시키는 것.
• 더 넓은 임상 적용 가능성을 위해 두피 및 뇌내 EEG 기록에서 모두 방법을 검증하는 것.

제안 방법

• 랜덤 포레스트 분류기는 주어진 EEG 에포크가 발작 전 상태인지 또는 간질 간격 상태인지의 확률을 예측하도록 훈련된다.
• EEG 신호의 시간적 및 주파수 도메인 동적 특성을 포착하기 위해 새로운 특징이 공학적으로 설계된다.
• 모델은 연속적인 EEG 데이터를 분류를 위해 이산적인 에포크 단위로 처리하기 위해 슬라이딩 윈도우 방식을 사용한다.
• 민감도와 가짜 경고율 간 균형을 맞추기 위해 확률 임계값 전략이 적용된다.
• 일반화 능력과 다양한 환자 데이터에 대한 강인성을 향상시키기 위해 앙상블 학습 기법이 통합된다.
• 기준으로 사용되는 CHB-MIT 두피 EEG 데이터셋에서 검증되었으며, 다양한 모odal리티 간 성능을 평가하기 위해 뇌내 EEG 기록에서도 테스트되었다.

실험 결과

연구 질문

• RQ1 랜덤 포레스트 분류기가 기존 방법보다 더 높은 민감도와 낮은 가짜 경고율을 달성할 수 있는가?
• RQ2 새로운 EEG 특징의 포함이 발작 예측 모델의 강인성에 어떤 영향을 미치는가?
• RQ3 모델이 두피 및 뇌내 기록과 같은 다양한 EEG 모달리티 간에서 얼마나 잘 일반화되는가?
• RQ4 확률 기반 분류 프레임워크는 높은 민감도를 유지하면서 가짜 경고를 얼마나 효과적으로 줄일 수 있는가?
• RQ5 5분 발작 예측 시간 간격과 30분 발작 발생 기간 조건에서 모델의 성능은 어떠한가?

주요 결과

• 제안된 방법은 5분 발작 예측 시간 간격을 가진 CHB-MIT 두피 EEG 데이터셋에서 82.07%의 민감도를 기록하였다.
• 가짜 경고율은 시간당 0.0799로 낮아져 이전 최신 기술적 방법들에 비해 뚜렷한 향상이 있었다.
• 모델은 강력한 일반화 능력을 보이며, 뇌내 EEG 기록에서도 유사한 성능을 달성하였다.
• 새로운 특징 공학 기법의 통합은 EEG 신호에서 미세한 발작 전 패턴을 탐지하는 분류기의 능력을 향상시켰다.
• 랜덤 포레스트의 확률 기반 출력은 민감도와 가짜 경고율 간 조정 가능한 트레이드오프를 가능하게 하였다.
• 동일한 평가 프rotocol 하에서 기존 접근법에 비해 민감도 및 가짜 경고율 지표 양면에서 모두 뛰어난 성능을 보였다.