[논문 리뷰] Subject Selection on a Riemannian Manifold for Unsupervised Cross-subject Seizure Detection

Samaneh Nasiri Ghosheh Bolagh, Gari D. Clifford|arXiv (Cornell University)|2017. 12. 01.

EEG and Brain-Computer Interfaces참고 문헌 6인용 수 9

한 줄 요약

이 논문은 EEG 신호에서 유도된 공분산 행렬의 리만 다양체 위에서 스펙트럴 클러스터링을 사용하여 비지도 학습 기반의 교차 환자 간 간질 발작 탐지에 대한 새로운 환자 선별 방법을 제안한다. 리만 거리 기반으로 환자를 군집화하고, 선별된 군집의 탄성 공간에서 SVM을 학습시킴으로써 정확도를 89.84%로 향상시키고 특이도를 89.64%로 높이며, CHB-MIT 데이터베이스에서 부정성 비율을 시간당 0.77로 낮추어 이전 최고 성능 기법을 뛰어넘는다.

ABSTRACT

Inter-subject variability between individuals poses a challenge in inter-subject brain signal analysis problems. A new algorithm for subject-selection based on clustering covariance matrices on a Riemannian manifold is proposed. After unsupervised selection of the subsets of relevant subjects, data in a cluster is mapped to a tangent space at the mean point of covariance matrices in that cluster and an SVM classifier on labeled data from relevant subjects is trained. Experiment on an EEG seizure database shows that the proposed method increases the accuracy over state-of-the-art from 86.83% to 89.84% and specificity from 87.38% to 89.64% while reducing the false positive rate/hour from 0.8/hour to 0.77/hour.

연구 동기 및 목표

• EEG 기반 간질 발작 탐지에서 환자 간 이질성을 다루기 위해 일반화 가능한 교차 환자 모델 개발을 방해하는 요소를 해결한다.
• 시험 환자와 가장 유사한 환자 집합을 식별하여 비지도 교차 환자 학습에서 분류 성능을 향상시킨다.
• EEG 공분산 행렬의 기하학적 구조를 리만 다양체에서 활용하는 환자 선별 프레임워크를 개발한다.
• 다양한 환자에서 높은 민감도와 특이도를 유지하면서도 부정성 비율을 낮춘다.

제안 방법

• 표본 공분산 행렬(ScM) 추정기를 사용하여 EEG 신호에서 공분산 행렬을 계산하여 대칭 정부정행렬(SPД)을 형성하고, 이를 리만 다양체 위에 배치한다.
• 리만 거리는 일반화된 고유값 변환의 행렬 로그의 프로베니우스 노름을 정의하는 로그-유클리드 메트릭을 사용하여 계산된다.
• 각 환자의 공분산 행렬은 주어진 환자 고유의 기하 평균을 사용한 애핀-인variant 정규화를 통해 상호 비교 가능성을 향상시킨다.
• EEG 공분산 구조의 유사성 기반으로 환자를 군집화하기 위해 리만 거리 행렬에 스펙트럴 클러스터링을 적용한다.
• 각 군집의 기하 평균을 리만 중심으로 계산하고, 군집 내 모든 데이터를 이 평균에서의 탄성 공간으로 매핑한다.
• 선택된 환자들의 탄성 공간 표현에서 SVM 분류기를 학습하고, CHB-MIT 데이터베이스에서 한 환자씩 제외한 교차 검증을 통해 평가한다.

실험 결과

연구 질문

• RQ1 EEG 공분산 행렬의 리만 다양체 위에서 스펙트럴 클러스터링이 교차 환자 간질 발작 탐지에서 시험 환자와 가장 유사한 환자 집합을 효과적으로 식별할 수 있는가?
• RQ2 리만 기하학 기반 환자 선별이 모든 학습 환자 사용과 비교해 분류 성능를 어떻게 향상시키는가?
• RQ3 리만 다양체 기반 환자 선별은 비지도 간질 발작 탐지에서 부정성 비율을 어느 정도 낮출 수 있는가?
• RQ4 환자의 본질적 공분산 구조에 따라 군집화하는 것이 전통적인 교차 환자 학습 접근법보다 더 나은 일반화를 이끌어낼 수 있는가?
• RQ5 제안된 방법은 환자별 최적화 없이도 기존 최고 수준의 방법을 뛰어넘는 높은 정확도와 특이도를 달성할 수 있는가?

주요 결과

• 제안된 방법은 CHB-MIT 데이터베이스에서 평균 정확도 89.84%를 달성하여 이전 최고 수준(86.83%)보다 3.01% 향상되었다.
• 특이도는 87.38%에서 89.64%로 상승하여 참음성 분류 성능 향상을 나타낸다.
• 부정성 비율은 시간당 0.77번으로 감소하여 이전 연구의 0.8/시간과 비교해 낮아졌고, 쇼브의 원본 연구에서 보고된 1.7/시간보다도 현저히 낮아졌다.
• 민감도는 평균 85.77%를 유지하며, 평균 지연 시간은 5.24초를 기록했다.
• 환자별 성능는 다양하게 나타나며, 개인 정확도는 82.79%에서 95.41% 사이로 변동하여 다양한 환자 프로파일에 대한 강건성을 보였다.
• 이 방법은 비지도 교차 환자 간질 발작 탐지에서 리만 다양체 기반 군집화를 통한 환자 선별을 처음으로 명시적으로 적용한 것이다.