[논문 리뷰] Learning Robust Features using Deep Learning for Automatic Seizure Detection

Pierre Thodoroff, Joëlle Pineau외 1명|arXiv (Cornell University)|2016. 07. 31.

EEG and Brain-Computer Interfaces참고 문헌 14인용 수 171

한 줄 요약

순환 합성곱 신경망은 이미지 기반 EEG 표현을 통해 발작을 감지하기 위해 robust spatio-temporal-frequency EEG 특징을 학습하여 환자 간 성능과 채널 누락에 대한 강건성을 개선한다.

ABSTRACT

We present and evaluate the capacity of a deep neural network to learn robust features from EEG to automatically detect seizures. This is a challenging problem because seizure manifestations on EEG are extremely variable both inter- and intra-patient. By simultaneously capturing spectral, temporal and spatial information our recurrent convolutional neural network learns a general spatially invariant representation of a seizure. The proposed approach exceeds significantly previous results obtained on cross-patient classifiers both in terms of sensitivity and false positive rate. Furthermore, our model proves to be robust to missing channel and variable electrode montage.

연구 동기 및 목표

• 전문 신경과 의사에 대한 의존도를 줄이기 위해 자동 발작 검출을 촉진한다.
• 다채널 EEG 데이터에서 강건한 특징을 학습함으로써 환자 간 일반화되는 깊은 학습 접근법을 개발한다.
• 스펙트럼, 시간적, 공간 정보를 포착하기 위해 이미지 기반 EEG 표현을 활용한다.
• CHB-MIT 데이터셋에서 교차 환자 및 환자 특이적 발작 검출을 평가하고 기존 방법과 비교한다.

제안 방법

• 전극 위치를 2D로 투영하고 전극당 세 가지 주파수 대역(0–7 Hz, 7–14 Hz, 14–49 Hz)을 인코딩하여 1초 EEG 창의 이미지 기반 표현을 만든다.
• 1초 이미지에서 추출된 64차원 합성곱 특징이 30초에 걸친 시퀀스 모델(LSTM, 양방향)에 입력되도록 순환 합성곱 신경망을 적용한다.
• 그래디언트 하강법으로 네트워크를 엔드 투 엔드로 학습하고, 클래스 균형을 맞추기 위해 무작위 음성 하위샘플링을 사용하며 가중치 초기화를 위한 사전 학습을 수행한다.
• 전체 모델의 공동 학습 전에 합성곱 층을 초기화하기 위한 사전 학습을 사용하고, 환자 간에 환자 특이 detector에 대해 전이 학습을 활용한다.
• 예측의 분산을 줄이기 위해 같은 구조의 세 모델 앙상블을 사용한다.

실험 결과

연구 질문

• RQ1 깊은 신경망이 환자 간에 전이되는 일반적이고 공간적으로 불변한 발작 표현을 학습할 수 있는가?
• RQ2 CHB-MIT에서 제안된 모델이 환자 특이적 발작 검출과 교차 환자 발작 검출에서 어떻게 성능을 보이는가?
• RQ3 이미지 기반 EEG 표현은 누락된 채널과 다른 전극 몽타주에 대해 강건한가?
• RQ4 제한된 발작 데이터에서 사전 학습과 전이 학습이 성능을 향상시키는가?
• RQ5 민감도와 거짓 양성 비율에서 모델이 수작업 설계 특징 방법 및 상용 검출기와 어떻게 비교되는가?

주요 결과

• 교차 환자 탐지에서 평균 민감도 85%로 더 높은 성능을 달성했고 거짓 양성률이 0.8/시간으로 감소했다(REVEAL의 민감도 67%, 1.7/시간 FPR).
• 환자 특이 탐지 성능은 Shoeb의 수작업 SVM 탐지기와 비슷했지만 EEG 채널 누락에 대해 더 큰 강건성을 보였다.
• 이미지 기반 EEG 표현은 강력한 교차 환자 일반화를 가능하게 하고 서로 다른 전극 몽타주를 수용했다.
• 모델은 CHB-MIT 데이터셋(969시간, 173발작)에서 강력한 성능을 보였고 차폐 분석을 통해 발작 기원을 국소화할 수 있었다.
• 데이터 부족에 대응하는 학습 전략(음성 하위샘플링, 사전 학습, 전이 학습, 앙상블)은 학습 안정성과 성능을 향상시켰다.