[論文レビュー] A review on Epileptic Seizure Detection using Machine Learning

Muhammad Shoaib Farooq, Aimen Zulfiqar+1 more|arXiv (Cornell University)|Oct 5, 2022

EEG and Brain-Computer Interfaces被引用数 6

ひとこと要約

本論文は、EEG信号を用いたてんかん発作検出のための機械学習アプローチに関する体系的レビューを提示し、ベンチマークデータセットを用いた特徴抽出技術と分類器の分析を行っている。主な手法の特定、分類性能の評価、自動発作予測分野における研究ギャップ、課題、今後の機会の同定を目的としている。

ABSTRACT

Epilepsy is a neurological brain disorder which life threatening and gives rise to recurrent seizures that are unprovoked. It occurs due to the abnormal chemical changes in our brain. Over the course of many years, studies have been conducted to support automatic diagnosis of epileptic seizures for the ease of clinicians. For that, several studies entail the use of machine learning methods for the early prediction of epileptic seizures. Mainly, feature extraction methods have been used to extract the right features from the EEG data generated by the EEG machine and then various machine learning classifiers are used for the classification process. This study provides a systematic literature review of feature selection process as well as the classification performance. This study was limited to the finding of most used feature extraction methods and the classifiers used for accurate classification of normal to epileptic seizures. The existing literature was examined from well-known repositories such as MPDI, IEEEXplore, Wiley, Elsevier, ACM, Springerlink and others. Furthermore, a taxonomy was created that recapitulates the state-of-the-art used solutions for this problem. We also studied the nature of different benchmark and unbiased datasets and gave a rigorous analysis of the working of classifiers. Finally, we concluded the research by presenting the gaps, challenges and opportunities which can further help researchers in prediction of epileptic seizure

研究の動機と目的

• EEGベースのてんかん発作検出において最も一般的に使用されている特徴抽出手法を特定および分析すること。
• 正常なEEG信号とてんかん発作を区別するためのさまざまな機械学習分類器の性能を評価すること。
• てんかん発作検出研究で用いられるベンチマークEEGデータセットの特性と信頼性を検討すること。
• 現在のアプローチにおける主な課題と研究ギャップを特定し、今後の自動発作予測の改善を可能にするものとすること。
• 機械学習を用いたてんかん発作検出の最先端ソリューションの包括的な分類体系を提供すること。

提案手法

• IEEE Xplore、SpringerLink、Elsevier、Wiley、ACMを含む信頼できるデータベースを用いて体系的文献レビューを実施した。
• EEG信号処理とてんかん発作検出への機械学習応用に焦点を当てた研究を収集および分析した。
• 時間領域、周波数領域、時間周波数領域の特徴抽出手法を分類し、比較した。
• SVM、ランダムフォレスト、KNN、ディープラーニングモデルなどの機械学習分類器を、その正答率および汎化性能に基づいて評価した。
• EEGデータパイプラインとの統合を含む最先端ソリューションの要約を示す分類体系を作成した。
• 研究間での再現性と公平性を評価するため、データセットのバイアス、サイズ、標準化に関する厳密な分析を実施した。

実験結果

リサーチクエスチョン

• RQ1 EEGベースのてんかん発作検出において、どの特徴抽出手法が最も頻繁に使用されているか。
• RQ2 さまざまな機械学習分類器は、正常なEEG信号とてんかん発作を分類する観点で、正答率と頑健性の観点からどのように比較されるか。
• RQ3 てんかん発作検出研究で使用されている公開可能なEEGデータセットの主な特性と制限は何か。
• RQ4 現在の自動てんかん発作検出アプローチにおいて、依然として残っている主な課題とギャップは何か。
• RQ5 この分野における機械学習モデルの信頼性と臨床応用可能性を向上させるための機会は何か。

主な発見

• SVMおよびランダムフォレスト分類器は、複数のベンチマークデータセットで一貫して高い正答率を示しており、いくつかの研究でF1スコアが95％を超える結果が報告されている。
• ウェーブレット変換や短時間フーリエ変換を含む時間周波数領域の特徴が、EEG信号における発作関連パターンを捉えるのに最も効果的であった。
• CHB-MITおよびBonn EEGデータセットが最も広く使用されており、しかしクラスの不均衡と患者集団の多様性の不足という問題を抱えている。
• 制御された環境下では高い性能を示しているが、多様な患者群や現実の臨床環境への一般化は依然として大きな課題である。
• いくつかの研究で感度と特異度が90％以上を記録したが、モデルの解釈可能性やリアルタイムデプロイメントの制約に対応した研究は少ない。
• 標準化された評価プロトコルの欠如と、データ分割やハイパーパrameterチューニングの不一致による再現性の問題が、本レビューで明らかになった。