[論文レビュー] Epileptic seizure prediction using Pearson's product-moment correlation coefficient of a linear classifier from generalized Gaussian modeling

Antonio Quintero-Rincón, Carlos D’Giano+1 more|arXiv (Cornell University)|Jun 2, 2020

Fractal and DNA sequence analysis参考文献 22被引用数 6

ひとこと要約

本研究では、線形分類器を用いた一般化ガウス分布のパラメータから導出されたピアソンの積率相関係数を用いたてんかん発作予測モデルを提案する。複数の脳波リズムにわたるEEG信号の分析により、9名の患者における36件のがん発作において、感度100%、特異度83%以上を達成し、線形分類器はSVMベースのモデルよりも損失および誤差指標で優れた性能を示した。

ABSTRACT

To predict an epileptic event means the ability to determine in advance the time of the seizure with the highest possible accuracy. A correct prediction benchmark for epilepsy events in clinical applications is a typical problem in biomedical signal processing that helps to an appropriate diagnosis and treatment of this disease. In this work, we use Pearson's product-moment correlation coefficient from generalized Gaussian distribution parameters coupled with a linear-based classifier to predict between seizure and non-seizure events in epileptic EEG signals. The performance in 36 epileptic events from 9 patients showing good performance with 100% of effectiveness for sensitivity and specificity greater than 83% for seizures events in all brain rhythms. Pearson's test suggests that all brain rhythms are highly correlated in non-seizure events but no during the seizure events. This suggests that our model can be scaled with the Pearson's product-moment correlation coefficient for the detection of epileptic seizures.

研究の動機と目的

• EEGバイオマーカーを用いたてんかん発作の予測のための信頼性の高い手法の開発。
• 高度な信号処理を用いた早期発見により、臨床的アウトカムの改善。
• 一般化ガウス分布モデリングとピアソン相関を統合した線形分類器の性能評価。
• 複数のEEG周波数帯域における線形分類器とSVMベースのモデルの予測精度の比較。
• 多様な脳波リズムおよび患者データにわたるモデルの頑健性の検証。

提案手法

• EEG信号特徴量を一般化ガウス分布でモデリングし、形状およびスケールパラメータを推定する。
• 分布パラメータに基づいて、発作状態と非発作状態を識別するための線形分類器を適用する。
• 分類器出力と発作／非発作ラベルとの間のピアソン積率相関係数を、識別的指標として計算する。
• モデルの汎化性能と性能安定性を評価するため、1人を除いた交差検証（leave-one-out）を用いる。
• 感度（TPR）、特異度（TNR）、誤って陽性と判定する割合（FPR）、全体の正答率（ACC）といった標準指標を用いてモデル性能を評価する。
• 同一の特徴量セットと検証プロトコルを用いて、線形分類器モデル[Q]を2つのSVMベースのモデル[S]および[C]と比較する。

実験結果

リサーチクエスチョン

• RQ1 ピアソンの積率相関係数は、EEG信号における発作状態と非発作状態を効果的に区別できるか？
• RQ2 一般化ガウス分布のパラメータに基づく線形分類器は、SVMベースのモデルを上回る発作予測性能を示すか？
• RQ3 本モデルの感度および特異度は、脳波周波数帯（θ、α、β、γ）ごとにどのように変動するか？
• RQ4 交差検証の過程で、線形モデルとSVMベースのモデルにおける損失および顕在誤差指標はどのように比較されるか？
• RQ5 本モデルの性能は、複数名の患者および多様な脳波リズムにわたって一貫しているか？

主な発見

• 線形分類器モデル[Q]は、すべてのEEG周波数帯域で100%の感度（TPR）を達成しており、発作イベントの完全な検出を示している。
• 特異度（TNR）は全帯域で83%を超えており、特にθ帯およびγ帯で最高の94%を記録しており、真陰性分類の強さが裏付けられている。
• 線形モデル[Q]は、全モデルの中で最小の損失（0.083）と顕在誤差（0.083）を記録しており、SVMベースのモデル[S]および[C]を上回った。
• ピアソン相関解析により、非発作状態では脳波リズム間で高い相関が観察されたが、発作時には相関が低下した。これは、モデルの識別能力を裏付けるものである。
• 9名の患者から得られた36件のイベント（18件の発作、18件の非発作）にわたるモデルの性能は一貫しており、正答率（ACC）は周波数帯域によって30%～35%の範囲で変動した。
• モデル[Q]は、特異度、正答率、誤差指標の観点から全体的な性能が優れており、臨床的EEG発作予測へのスケーラビリティと頑健性を示唆している。