[論文レビュー] An Explainable Model for EEG Seizure Detection based on Connectivity Features

Mohammad Mansour, Fouad Khnaisser+1 more|arXiv (Cornell University)|Sep 26, 2020

EEG and Brain-Computer Interfaces参考文献 37被引用数 5

ひとこと要約

本論文は、非方向性（例：コherー二ティ、位相ロック値）および方向性（例：方向性コherー二ティ、部分的方向性コherー二ティ）の結合機能を用いた、EEGてんかん発作検出のための説明可能なディープラーニングモデルを提案する。このモデルは、順序付きサブウィンドウにCNN、BiLSTM、およびアテンション機構を組み合わせ、バランスの取れたMIT-BIHデータセットで97.03％の正確性を達成するとともに、活性化に基づくサリエンシー解析によって特徴量の重要度の解釈を可能にする。

ABSTRACT

Epilepsy which is characterized by seizures is studied using EEG signals by recording the electrical activity of the brain. Different types of communication between different parts of the brain are characterized by many state of the art connectivity measures which can be directed and undirected. We propose to employ a set of undirected (spectral matrix, the inverse of the spectral matrix, coherence, partial coherence, and phaselocking value) and directed features (directed coherence, the partial directed coherence) to learn a deep neural network that detects whether a particular data window belongs to a seizure or not, which is a new approach to standard seizure classification. Taking our data as a sequence of ten sub-windows, we aim at designing an optimal deep learning model using attention, CNN, BiLstm, and fully connected layers. We also compute the relevance using the weights of the learned model based on the activation values of the receptive fields at a particular layer. Our best model architecture resulted in 97.03% accuracy using balanced MITBIH data subset. Also, we were able to explain the relevance of each feature across all patients. We were able to experimentally validate some of the scientific facts concerning seizures by studying the impact of the contributions of the activations on the decision.

研究の動機と目的

• EEG信号における結合的特徴を用いたてんかん発作検出のためのディープラーニングモデルの開発。
• 多様な脳ネットワーク相互作用を捉えるために、非方向性および方向性の結合測定を統合すること。
• EEGウィンドウの時間的系列モデリングを向上させるために、アテンション機構を組み込んだモデルの設計。
• 活性化重みを用いた特徴量の重要度の計算により、モデルの解釈可能性を確保すること。
• モデルの予測結果が、てんかん動態に関する既知の神経生理学的事実と整合しているかの検証。

提案手法

• 入力EEGデータは、時間的モデリングのための10個の順序付きサブウィンドウに分割される。
• CNN、双方向LSTM（BiLSTM）、およびアテンション機構を組み合わせたハイブリッドディープラーニングアーキテクチャが採用される。
• 結合特徴には、スペクトル行列、コヒーレンス、部分的コヒーレンス、位相ロック値、方向性コヒーレンス、部分的方向性コヒーレンスが含まれる。
• 特徴量の重要度は、特定の層の活性化値から導出された勾配ベースのサリエンシー地図を用いて計算される。
• モデルは、MIT-BIH EEGデータセットのバランスの取れたサブセット上でエンドツーエンドに訓練される。
• アテンションの貢献度を分析することで、モデルの説明可能性が達成される。

実験結果

リサーチクエスチョン

• RQ1 結合的特徴を用いることで、EEGてんかん発作検出におけるディープラーニングモデルの正確性は向上するか？
• RQ2 非方向性および方向性の脳結合の種類は、てんかん分類にどのように寄与するか？
• RQ3 アテンション機構は、EEGサブウィンドウの時間的系列モデリングをどの程度向上させるか？
• RQ4 特徴量の重要度分析を通じて、モデルの予測を意味的に説明可能か？
• RQ5 モデルが学習した特徴量の貢献度は、てんかんの既知の神経生理学的理解と一致するか？

主な発見

• 提案されたモデルは、バランスの取れたMIT-BIH EEGデータセットでテスト正確度97.03％を達成した。
• 非方向性および方向性の両方の結合特徴を統合することで、単独で使用する場合よりもモデルの性能が向上した。
• 特徴量の重要度分析により、異なる患者に対して結合測定の貢献度が明確に異なり、患者ごとの解釈が可能になった。
• アテンション機構は、最終予測に影響を与える重要な時間ウィンドウおよび結合特徴を効果的に強調した。
• モデルのアテンションパターンは、特定周波数帯域での同期性増加といった既知のてんかん動態と一致した。
• サリエンシー分析により、発作開始時に位相ロックが高まるといった既知の科学的観察が妥当であることが検証された。