[논문 리뷰] Automated Seizure Detection and Seizure Type Classification From Electroencephalography With a Graph Neural Network and Self-Supervised Pre-Training.

Siyi Tang, Jared Dunnmon외 6명|arXiv (Cornell University)|2021. 04. 16.

EEG and Brain-Computer Interfaces참고 문헌 62인용 수 5

한 줄 요약

이 연구는 전기encephalography (EEG) 신호를 그래프로 모델링하여 전극 간 연결성을 더 자연스럽게 반영하는 자기지도 학습을 통한 그래프 신경망(GNN)을 제안한다. 이는 CNN이나 LSTMs보다 전도성 구조를 더 잘 반영하며, 대규모 공개 EEG 데이터셋(5,499개 파일)에서 간질 발작 탐지에서 AUROC를 6.3점(7.8%) 향상시키고, 간질 유형 분류에서 F1 점수를 6.3점(9.2%) 향상시켜 최신 기술 수준을 초월한다.

ABSTRACT

Automated seizure detection and classification from electroencephalography (EEG) can greatly improve the diagnosis and treatment of seizures. While prior studies mainly used convolutional neural networks (CNNs) that assume image-like structure in EEG signals or spectrograms, this modeling choice does not reflect the natural geometry of or connectivity between EEG electrodes. In this study, we propose modeling EEGs as graphs and present a graph neural network for automated seizure detection and classification. In addition, we leverage unlabeled EEG data using a self-supervised pre-training strategy. Our graph model with self-supervised pre-training significantly outperforms previous state-of-the-art CNN and Long Short-Term Memory (LSTM) models by 6.3 points (7.8%) in Area Under the Receiver Operating Characteristic curve (AUROC) for seizure detection and 6.3 points (9.2%) in weighted F1-score for seizure type classification. Ablation studies show that our graph-based modeling approach significantly outperforms existing CNN or LSTM models, and that self-supervision helps further improve the model performance. Moreover, we find that self-supervised pre-training substantially improves model performance on combined tonic seizures, a low-prevalence seizure type. Furthermore, our model interpretability analysis suggests that our model is better at identifying seizure regions compared to an existing CNN. In summary, our graph-based modeling approach integrates domain knowledge about EEG, sets a new state-of-the-art for seizure detection and classification on a large public dataset (5,499 EEG files), and provides better ability to identify seizure regions.

연구 동기 및 목표

• CNN과 LSTMs가 EEG 신호를 이미지 또는 순차적 데이터로 모델링할 때 전극의 자연스러운 기하학적 및 연결 구조를 忽略하는 한계를 해결하기 위해.
• EEG 전극을 노드로, 기능적 또는 해부학적 관계를 간선으로 명시적으로 표현하는 그래프 기반 딥 러닝 모델을 개발하기 위해.
• 대량의 레이블이 없는 EEG 데이터를 활용한 자기지도 학습을 통해 자동 간질 발작 탐지 및 유형 분류 성능을 향상시키기 위해.
• 예측 과정에서 임상적으로 유의미한 간질 발작 시작 영역을 식별함으로써 모델의 해석 가능성 향상을 위해.

제안 방법

• 각 전극을 노드로, 전극 간 상호관계를 간선으로 하는 그래프로 EEG 신호를 모델링하여 뇌의 공간적 및 기능적 연결성을 유지하기 위해.
• EEG 그래프 구조에서 노드 및 그래프 수준의 표현을 학습하기 위해 그래프 신경망(GNN)을 적용하여 局부 및 전반적 패턴을 포착하기 위해.
• 마스크된 전극 신호를 재구성함으로써 일반화 가능한 표현을 학습하기 위해, 레이블이 없는 EEG 데이터를 활용한 마스크된 오토인코더를 통한 자기지도 학습 전처리 전략을 적용하기 위해.
• 감독 신호를 사용하여 하류 작업인 간질 발작 탐지 및 유형 분류에 대해 사전 학습된 GNN을 미세조정하기 위해.
• 예측 과정에서 중요한 전극 또는 영역을 강조하기 위해 그래프 어텐션 메커니즘을 활용하여 해석 가능성 향상하기 위해.
• 표준 평가 지표를 사용하여 성능 검증: 간질 발작 탐지에 대해 AUROC, 간질 유형 분류에 대해 가중 평균 F1 점수를 사용하기 위해.

실험 결과

연구 질문

• RQ1 CNN 및 LSTM 기반 접근 방식과 비교해 EEG를 그래프로 모델링하는 것이 간질 발작 탐지 및 분류 성능 향상에 기여하는가?
• RQ2 레이블이 없는 EEG 데이터를 활용한 자기지도 학습 전처리가, 특히 희귀 간질 유형에 대해 하류 작업 성능 향상에 어느 정도 기여하는가?
• RQ3 기존 CNN 모델과 비교해 그래프 기반 모델이 간질 발작 시작 영역을 더 잘 국소화함으로써 더 높은 해석 가능성 제공하는가?
• RQ4 자료 부족이 문제인 저유병률 간질 유형(예: 병합 경련성 간질)에 대해 모델은 어떤 성능을 보이는가?

주요 결과

• 제안된 자기지도 학습을 통한 GNN은 최신 기술 수준의 CNN 및 LSTM 모델 대비 간질 발작 탐지에서 AUROC를 6.3점(7.8%) 향상시켰다.
• 간질 유형 분류에서 가중 평균 F1 점수를 6.3점(9.2%) 향상시켜 다양한 간질 유형 간 일반화 능력이 뛰어나다는 것을 입증했다.
• 제거 분석 결과 그래프 기반 모델링 방식이 CNN 및 LSTM 기반 모델보다 유의미하게 뛰어나며, 특히 복잡하거나 희귀한 간질 유형에서 가장 큰 성능 향상을 보였다.
• 자기지도 학습 전처리가 저유병률 간질 유형인 병합 경련성 간질에 대해 성능 향상에 크게 기여하여 더 높은 데이터 효율성과 강건성을 보였다.
• 모델 해석 가능성 분석 결과, 기준 CNN 대비 GNN이 임상적으로 유의미한 간질 영역을 더 잘 식별함으로써 임상적 신뢰도와 활용도를 향상시켰다.
• 대규모 공개 EEG 데이터셋(5,499개 파일)에서 새로운 최신 기술 수준을 확립하여 확장성과 실생활 적용 가능성을 입증했다.