[논문 리뷰] Temporal Graph Convolutional Networks for Automatic Seizure Detection

Ian Covert, Balu Krishnan외 5명|arXiv (Cornell University)|2019. 05. 03.

EEG and Brain-Computer Interfaces참고 문헌 25인용 수 49

한 줄 요약

논문은 EEG로부터 발작 탐지를 위한 Temporal Graph Convolutional Networks (TGCN)를 제시하며, EEG 리드의 공간적 구조를 활용해 탐지 성능을 향상시키고 발작의 시공간 위치를 해석적으로 제공한다.

ABSTRACT

Seizure detection from EEGs is a challenging and time consuming clinical problem that would benefit from the development of automated algorithms. EEGs can be viewed as structural time series, because they are multivariate time series where the placement of leads on a patient's scalp provides prior information about the structure of interactions. Commonly used deep learning models for time series don't offer a way to leverage structural information, but this would be desirable in a model for structural time series. To address this challenge, we propose the temporal graph convolutional network (TGCN), a model that leverages structural information and has relatively few parameters. TGCNs apply feature extraction operations that are localized and shared over both time and space, thereby providing a useful inductive bias in tasks where one expects similar features to be discriminative across the different sequences. In our experiments we focus on metrics that are most important to seizure detection, and demonstrate that TGCN matches the performance of related models that have been shown to be state of the art in other tasks. Additionally, we investigate interpretability advantages of TGCN by exploring approaches for helping clinicians determine when precisely seizures occur, and the parts of the brain that are most involved.

연구 동기 및 목표

• 임상의의 EEG 판독 부담을 줄이기 위해 자동 발작 탐지의 동기를 제시한다.
• EEG 데이터의 구조적 시계열 정보를 활용하는 모델을 개발한다.
• 낮은 파라미터 수를 유지하면서 높은 탐지 성능을 달성한다.
• 시간과 공간에서 발작 시작 위치를 해석 가능하게 하여 예측의 해석 가능성을 높인다.

제안 방법

• A를 리드 인접 그래프로 갖는 구조적 시계열(X, A)로 EEG 데이터를 표현한다.
• 시간 및 그래프 이웃에 걸쳐 필터를 공유하는 STC(공간-시간 합성곱) 계층을 도입한다.
• 이웃 정보 집계를 위한 두 가지 STC 전파 규칙(Rule A 및 Rule B)을 제안한다.
• 직접 이웃을 넘어 정보 전파를 확장하기 위한 k단계 도달성 A(k)를 도입한다.
• 시간 축을 따라 풀링과 다양한 TGCN 아키텍처 구성을 탐색한다.
• 장기 두피 EEG 데이터에 대해 학습하고 평가하며; TCNN, 2D TCNN, SCNN과 비교하고; 기울기 기반 특성 기여도와 시퀀스 드롭아웃을 통한 모델 해석 가능성 분석을 수행한다.

실험 결과

연구 질문

• RQ1 TGCN이 EEG 리드 배치의 공간 구조를 활용하여 최신 발작 탐지 성능에 맞출 수 있는가?
• RQ2 STC 전파 규칙과 k단계 도달성이 탐지 지표에 어떤 영향을 미치는가?
• RQ3 TGCN은 AU-ROC와 고특이도 민감도에서 기준 모델(TCNN, 2D TCNN, SCNN)과 어떻게 비교되는가?
• RQ4 TGCN 기반의 설명(기여도 및 시퀀스 드롭아웃)이 임상적으로 의미 있는 발작 위치를 제공하는가?

주요 결과

• TGCN은 발작 탐지 작업에서 최신 모델과 비슷한 성능을 달성한다.
• 구성 II의 Rule B를 사용하는 아키텍처는 튜닝 데이터에서 강한 AU-ROC와 높은 특이도 민감도를 보였다.
• 다섯 가지 지표에서 TGCN은 TCNN, 2D TCNN, SCNN과 비교해 경쟁력 있거나 우수한 결과를 보였으며, 실행 간 분산을 고려하면 비슷한 성능을 보였다.
• STC 계층은 시간과 공간 모두에서 국지적이고 공유된 특징 추출을 제공하여 매개변수 사용을 효율화하고 그래프 토폴로지 간의 전달을 가능하게 한다.
• 설명 가능성 방법(그래디언트 기반 기여도 및 시퀀스 드롭아웃)은 임상 해석과 발작의 뇌 영역 위치에 맞는 시각화 및 뇌 영역 로컬라이제이션 인사이트를 제공한다.
• 시퀀스 드롭아웃은 모델이 어떤 뇌 영역(리드)이 예측에 기여하는지 표시하는 능력을 보여 주어 국소화에 도움을 준다.