[論文レビュー] Polynomial Neural Networks Learnt to Classify EEG Signals

Vitaly Schetinin|ArXiv.org|Apr 13, 2005

Neural Networks and Applications参考文献 8被引用数 11

ひとこと要約

本論文では、ラベル付きEEG信号から解釈可能な多項式分類ルールを抽出するために、変更されたグループ法によるデータハンドリング（GMDH）で訓練される多項式ニューラルネットワーク（PNN）を提案する。この手法は、正常およびアーティファクトEEGセグメントの分類で96.5％の正確性を達成し、アルツハイマー病リスク患者の分類では72％を記録し、標準的なフィードフォワードネットワークを上回る性能を示しながらも、解析的ルール表現を提供する。

ABSTRACT

A neural network based technique is presented, which is able to successfully extract polynomial classification rules from labeled electroencephalogram (EEG) signals. To represent the classification rules in an analytical form, we use the polynomial neural networks trained by a modified Group Method of Data Handling (GMDH). The classification rules were extracted from clinical EEG data that were recorded from an Alzheimer patient and the sudden death risk patients. The third data is EEG recordings that include the normal and artifact segments. These EEG data were visually identified by medical experts. The extracted polynomial rules verified on the testing EEG data allow to correctly classify 72% of the risk group patients and 96.5% of the segments. These rules performs slightly better than standard feedforward neural networks.

研究の動機と目的

• 臨床的EEGデータから解釈可能な多項式分類ルールを抽出するための手法を開発すること。
• EEGを用いた医療診断における透明性と分析的モデルの必要性に対処すること。
• 解釈可能性を維持したまま、標準的なフィードフォワードニューラルネットワークを上回る分類性能を向上させること。
• アルツハイマー病および突然死リスク患者を含む実世界のEEGデータを用いて、この手法を検証すること。
• 変更されたGMDHトレーニングフレームワークを用いて、EEG信号からルールを抽出すること。

提案手法

• 多項式ニューラルネットワーク（PNN）を用いてEEG信号内の非線形関係をモデル化する。
• PNNのトレーニングに、構造とパラメータの自動選択を可能にする、変更されたグループ法によるデータハンドリング（GMDH）を用いる。
• PNNは分類ルールを表す解析的多項式式を生成する。
• 正常、アーティファクト、病理的セグメントを含む、ラベル付きEEGデータから直接ルールを抽出する。
• 低次の多項式項を優遇することで、モデルの解釈可能性を強調するトレーニングプロセスを実施する。
• 分類正確性を評価するために、独立したテストデータを用いて最終モデルを検証する。

実験結果

リサーチクエスチョン

• RQ1 変更されたGMDHで訓練された多項式ニューラルネットワークは、EEG信号から解釈可能な分類ルールを抽出できるか？
• RQ2 PNNの性能は、EEGデータの分類において標準的なフィードフォワードニューラルネットワークと比べてどうか？
• RQ3 PNNは、正常、アーティファクト、病理的EEGセグメントをどれほど正確に分類できるか？
• RQ4 抽出された多項式ルールは、EEG信号パターンに関する意味のある臨床的インサイトを提供できるか？
• RQ5 変更されたGMDHアルゴリズムの使用は、EEG分類における正確性と解釈可能性の両方を向上させるか？

主な発見

• PNNモデルは、正常またはアーティファクトとして分類されるEEGセグメントの96.5％を正しく分類し、セグメントレベル分類において高い正確性を示した。
• 突然死リスク群の患者分類において72％の正確性を達成し、患者レベル分類においても優れた性能を示した。
• 抽出された多項式ルールは、標準的なフィードフォワードネットワークからのものよりも解釈可能であり、臨床的有用性を高めた。
• 特に正常／アーティファクトセグメント分類タスクにおいて、PNNは標準的なフィードフォワードニューラルネットワークを上回る分類正確性を示した。
• 変更されたGMDHトレーニング手法は、モデルの複雑さと一般化性能のバランスをうまくとることができ、EEGデータセットでの過学習を回避した。
• 結果から、多項式ニューラルネットワークは、追加の解釈可能性を備えたブラックボックスモデルの代替として、EEG信号分類に実用的であることが確認された。