[논문 리뷰] Universal Spike Classifier

Muhammad Saif-ur-Rehman, Robin Lienkämper외 9명|arXiv (Cornell University)|2018. 11. 07.

EEG and Brain-Computer Interfaces참고 문헌 25인용 수 3

한 줄 요약

이 논문은 유닉스 스파이크 분류기(USC)를 소개한다. USC는 컨볼루션 신경망을 사용하여 신경 기록 채널이 스파이크 또는 아티팩트를 포함하는지 자동으로 분류하는 딥러닝 기반 방법이다. 유타 배열을 장착한 테트라플레기아 환자 데이터로 훈련된 USC는 재훈련 없이도 다양한 데이터셋—간질 환자와 추가 테트라플레기아 환자—에 대해 효과적으로 일반화되어 다양한 신경 기록 조건에서 강력하고 자동화된 스파이크 탐지가 가능하다.

ABSTRACT

In electrophysiology, microelectrodes are the primary source for recording neural data of single neurons (single unit activity). These microelectrodes can be implanted individually, or in the form of microelectrodes arrays, consisting of hundreds of electrodes. During recordings, some channels capture the activity of neurons, which is usually contaminated with external artifacts and noise. Another considerable fraction of channels does not record any neural data, but external artifacts and noise. Therefore, an automatic identification and tracking of channels containing neural data is of great significance and can accelerate the process of analysis, e.g. automatic selection of meaningful channels during offline and online spike sorting. Another important aspect is the selection of meaningful channels during online decoding in brain-computer interface applications, where threshold crossing events are usually for feature extraction, even though they do not necessarily correspond to neural events. Here, we propose a novel algorithm based on the newly introduced way of feature vector extraction and a supervised deep learning method: a universal spike classifier (USC). The USC enables us to address both above-raised issues. The USC uses the standard architecture of convolutional neural networks (Conv net). It takes the batch of the waveforms, instead of a single waveform as an input, propagates it through the multilayered structure, and finally classifies it as a channel containing neural spike data or artifacts. We have trained the model of USC on data recorded from single tetraplegic patient with Utah arrays implanted in different brain areas. This trained model was then evaluated without retraining on the data collected from six epileptic patients implanted with depth electrodes and two tetraplegic patients implanted with two Utah arrays, individually.

연구 동기 및 목표

• 전기생리학적 기록에서 스파이크를 포함하는 채널을 자동으로 식별하여 스파이크 정렬에 필요한 수작업을 줄이는 것.
• 단일 유닛 및 다중 전극 배열 기록에서 신경 스파이크를 잡음 및 아티팩트와 구분하는 과제를 해결하는 것.
• 의미 있는 채널을 신뢰성 있게 선택하여 뇌-컴퓨터 인터페이스에서 실시간, 온라인 디코딩을 가능하게 하는 것.
• 재훈련이 필요 없이 다양한 환자와 기록 설정에서 잘 작동하는 일반화 가능한 모델을 개발하는 것.

제안 방법

• USC는 개별 웨이브포트가 아니라 웨이브포트 배치를 입력으로 처리하는 컨볼루션 신경망(CNN) 아키텍처를 사용한다.
• 특징 추출은 웨이브포트 배치의 시간적 및 진폭적 특징을 포착하는 새로운 방법을 통해 수행된다.
• 단일 테트라플레기아 환자에서의 레이블이 부여된 데이터를 사용해 지도 학습 방식으로 모델을 훈련시켰다.
• 훈련된 모델는 심전도 전극을 사용한 6명의 간질 환자와 이중 유타 배열을 장착한 2명의 추가 테트라플레기아 환자로부터의 독립된 데이터셋에서 평가되었다.
• 모델는 웨이브포트 배치의 공간적 및 시간적 패턴을 활용하여 다양한 기록 조건에서 분류 정확도를 향상시켰다.
• 외부 데이터셋 평가 시에는 피팅 조정이나 재훈련을 적용하지 않아도 되어 모델의 일반화 능력을 입증했다.

실험 결과

연구 질문

• RQ1 한 환자의 신경 데이터로 훈련된 딥러닝 모델이 다른 환자의 기록에서 전극 유형과 뇌 영역이 다른 경우에도 스파이크를 포함하는 채널을 일반화하여 분류할 수 있는가?
• RQ2 재훈련 없이 다양한 기록 조건에서 USC가 잡음 및 아티팩트와 신경 스파이크를 얼마나 효과적으로 구분하는가?
• RQ3 단일 웨이브포트 방법에 비해 웨이브포트 배치 기반 처리 방식이 분류 성능 향상에 얼마나 기여하는가?
• RQ4 USC는 뇌-컴퓨터 인터페이스 응용에서 실시간, 온라인 스파이크 탐지에 기여할 수 있는가?
• RQ5 다른 신경학적 상태와 전극 구성 조건을 가진 환자 데이터에 적용했을 때 모델의 정확도가 유지되는가?

주요 결과

• USC는 재훈련 없이도 6명의 간질 환자와 2명의 추가 테트라플레기아 환자로부터의 독립된 데이터셋에서 높은 분류 정확도를 달성했다.
• 모델는 다양한 뇌 영역, 전극 유형(유타 배열 및 심전도 전극) 및 환자 집단 간에 효과적으로 일반화되었다.
• 배치 기반 입력 메커니즘이 잡음과 아티팩트 속에서 미세한 스파이크 패턴을 탐지하는 데 모델의 능력을 향상시켰다.
• USC는 스파이크 정렬 및 온라인 디코딩에 유의미한 채널을 성공적으로 식별하여 수작업 채널 선택 의존도를 감소시켰다.
• 임계값 초월 사건이 특징 추출에 사용되는 뇌-컴퓨터 인터페이스 시나리오를 포함한 실제 응용 분야에서도 견고한 성능을 보였다.
• 결과적으로 단일의 잘 훈련된 USC 모델이 다양한 신경 기록 환경에서 스파이크 탐지의 유니버설 도구로 기능할 수 있음을 확인했다.