[논문 리뷰] Self-Supervised Graph Neural Networks for Improved Electroencephalographic Seizure Analysis

Siyi Tang, Jared Dunnmon외 6명|arXiv (Cornell University)|2021. 04. 16.

EEG and Brain-Computer Interfaces인용 수 60

한 줄 요약

본 논문은 두 그래프 구조와 self-supervised pre-training scheme을 사용한 그래프 기반 EEG 모델링을 제시하여, 대규모 EEG 데이터셋에서 최첨단 발작 탐지/분류 및 개선된 위치추정성을 달성한다.

ABSTRACT

Automated seizure detection and classification from electroencephalography (EEG) can greatly improve seizure diagnosis and treatment. However, several modeling challenges remain unaddressed in prior automated seizure detection and classification studies: (1) representing non-Euclidean data structure in EEGs, (2) accurately classifying rare seizure types, and (3) lacking a quantitative interpretability approach to measure model ability to localize seizures. In this study, we address these challenges by (1) representing the spatiotemporal dependencies in EEGs using a graph neural network (GNN) and proposing two EEG graph structures that capture the electrode geometry or dynamic brain connectivity, (2) proposing a self-supervised pre-training method that predicts preprocessed signals for the next time period to further improve model performance, particularly on rare seizure types, and (3) proposing a quantitative model interpretability approach to assess a model's ability to localize seizures within EEGs. When evaluating our approach on seizure detection and classification on a large public dataset, we find that our GNN with self-supervised pre-training achieves 0.875 Area Under the Receiver Operating Characteristic Curve on seizure detection and 0.749 weighted F1-score on seizure classification, outperforming previous methods for both seizure detection and classification. Moreover, our self-supervised pre-training strategy significantly improves classification of rare seizure types. Furthermore, quantitative interpretability analysis shows that our GNN with self-supervised pre-training precisely localizes 25.4% focal seizures, a 21.9 point improvement over existing CNNs. Finally, by superimposing the identified seizure locations on both raw EEG signals and EEG graphs, our approach could provide clinicians with an intuitive visualization of localized seizure regions.

연구 동기 및 목표

• 비유클리드 시공 간 구조를 포착하기 위해 EEG를 그래프로 표현한다.
• 기하학적 구조와 동적 연결성을 반영하기 위해 두 가지 EEG 그래프 구성(distance-based 및 correlation-based)을 제안한다.
• 특히 희귀 발작 유형의 성능 향상을 위해 self-supervised pre-training task를 개발한다.
• EEG 내에서 발작을 위치시킴을 정량적으로 해석가능하게 하는 지표를 도입한다.

제안 방법

• 노드를 채널로, 간선이 기하학(거리 그래프) 또는 기능적 연결성(상관 그래프)을 반영하는 그래프로 EEG 클립을 표현한다.
• Diffusion Convolutional Recurrent Neural Network (DCRNN)을 확산 합성곱과 DCGRU 유닛으로 확장하여 EEG 그래프를 시공간 모델링에 활용한다.
• 다음 12초 전처리된 EEG 클립을 예측하여 task-agnostic 표현을 학습하는 self-supervised pre-training을 적용한다.
• FFT의 로그 진폭으로 EEG 신호를 전처리하고, 탐지/분류 작업에는 비중첩의 12초(60초) 윈도우를 사용한다.
• 커버리지와 위치화 지표를 활용한 occlusion 기반 해석 가능성으로 발작 위치화를 정량화한다.
• 그래프 변형(distance vs correlation)을 비교하고 self-supervision과 baseline 간의 영향력을 평가한다.

실험 결과

연구 질문

• RQ1 그래프 기반의 EEG 표현이 CNN 기반 접근법에 비해 발작 탐지 및 분류를 향상시킬 수 있는가?
• RQ2 특히 희귀 발작 유형에서 self-supervised pre-training이 성능을 향상시키는가?
• RQ3 모델이 EEG 내 발작의 정량적 위치지정을 제공하여 임상 해석가능성을 높일 수 있는가?

주요 결과

• 모델은 대규모 공개 EEG 데이터셋에서 발작 탐지에 대해 0.875 AUROC, 발작 분류에 대해 0.749 가중 F1-score를 달성한다.
• Self-supervised pre-training은 성능을 크게 향상시키며, 특히 희귀 발작 유형에서 강력한 이득을 가져온다(예: 강한 상승효과를 보이는 긴장성 발작에서의 정확도 증가).
• 상관 기반 그래프가 거리 기반 그래프보다 국소 발작 위치화를 더 잘 수행하며, 특히 self-supervised pre-training과 결합할 때 그렇다.
• occlusion 기반 해석 가능성은 높은 주목도가 이미 알려진 발작 영역과 일치함을 보여주며, 위치화 지표는 CNN 기준선에 비해 현저한 개선을 보인다.
• 이 접근법은 원시 EEG 신호 및 EEG 그래프에서 발작 위치의 정밀한 시각화를 가능하게 하여 임상 활용성을 뒷받침한다.