[论文解读] Real-Time Seizure Detection using EEG: A Comprehensive Comparison of Recent Approaches under a Realistic Setting

Kwanhyung Lee, Hyewon Jeong+4 more|arXiv (Cornell University)|Jan 21, 2022

EEG and Brain-Computer Interfaces被引用 11

一句话总结

本论文在相同且真实的实验条件下，对最先进的深度学习模型和信号特征提取器在基于EEG的癫痫发作检测中进行了全面的实时比较。它提出了一种新颖的基于边距的评估指标，并表明ResNet-short + LSTM结合EPOCH特征提取在AUROC（0.92）方面表现最佳，且在敏感性和特异性之间实现了最佳平衡，优于其他模型和特征类型，在实际的实时部署场景中表现更优。

ABSTRACT

Electroencephalogram (EEG) is an important diagnostic test that physicians use to record brain activity and detect seizures by monitoring the signals. There have been several attempts to detect seizures and abnormalities in EEG signals with modern deep learning models to reduce the clinical burden. However, they cannot be fairly compared against each other as they were tested in distinct experimental settings. Also, some of them are not trained in real-time seizure detection tasks, making it hard for on-device applications. Therefore in this work, for the first time, we extensively compare multiple state-of-the-art models and signal feature extractors in a real-time seizure detection framework suitable for real-world application, using various evaluation metrics including a new one we propose to evaluate more practical aspects of seizure detection models. Our code is available at https://github.com/AITRICS/EEG_real_time_seizure_detection.

研究动机与目标

• 建立一个公平且现实的实时EEG癫痫发作检测基准，解决先前研究中实验设置和评估指标不一致的问题。
• 在相同的实时约束条件下，评估最先进的深度学习模型和信号特征提取器（如EPOCH、STFT、LFCC、SincNet）的性能。
• 提出并验证一种新颖的基于边距的评估指标，该指标衡量检测时间相对于实际癫痫发作起始和结束时间的准确性，提升临床相关性。
• 评估实际部署因素，如处理延迟、每24小时的误报次数，以及EEG预处理中抗混叠效应的鲁棒性。
• 提供一个可复现的开源框架（代码和数据），用于未来研究及使用TUH EEG癫痫语料库V1.5.2的临床模型部署。

提出的方法

• 本研究采用实时滑动窗口推理框架，窗口大小为4秒，步长可变，确保所有模型在窗口持续时间内完成处理，以保证实时运行。
• 信号预处理包括多种特征提取器：原始EEG、EPOCH、STFT、LFCC、SincNet、频带信号以及下采样信号，均包含和不包含抗混叠带通滤波。
• 测试的深度学习模型包括CNN2D+LSTM和ResNet-short + LSTM，均在TUH EEG癫痫语料库V1.5.2数据集上进行端到端训练和评估。
• 提出一种新颖的评估指标MARGIN，用于评估癫痫检测是否发生在实际发作起始和结束时间前后定义的时间窗口（3秒或5秒）内，提升临床实用性。
• 性能评估采用标准指标（AUROC、AUPRC、TPR、TNR）以及额外的实际应用指标：每24小时的误报次数和发作起始到检测的时间延迟（即检测延迟）。
• 实验重复进行5次以确保统计稳健性，结果取平均值并报告标准差。

实验结果

研究问题

• RQ1 在相同实验条件下，不同最先进的深度学习模型（如ResNet-short + LSTM与CNN2D+LSTM）在实时二分类癫痫发作检测中的表现如何？
• RQ2 哪种信号特征提取方法（如EPOCH、STFT、LFCC、SincNet）在AUROC、AUPRC和临床实用性方面表现最佳？
• RQ3 在下采样前加入抗混叠带通滤波如何影响实时癫痫发作检测模型的性能？
• RQ4 与标准指标相比，所提出的基于边距的评估指标在临床部署场景中对模型性能评估的改进程度如何？
• RQ5 在不同模型和特征组合之间，检测延迟、误报率和检测准确率之间的权衡关系如何？

主要发现

• ResNet-short + LSTM结合EPOCH特征提取在AUROC（0.92）和AUPRC（0.91）方面达到最高水平，优于其他模型和特征类型。
• EPOCH特征提取器在敏感性（TPR：0.83）和特异性（TNR：0.85）之间实现了最佳平衡，当TNR超过0.95时，每24小时仅产生1.68次误报。
• 边距指标显示，基于EPOCH的模型在49%的病例中于发作后3秒内检测到癫痫，在62%的病例中于5秒内检测到，表明其具有很强的临床相关性。
• 在下采样前加入抗混叠滤波可提升模型性能：ResNet-short + LSTM在滤波后AUROC为0.91，AUPRC为0.90，而未滤波时分别为0.88和0.87。
• SincNet特征提取器实现了最高的TNR（1.0），但最低的TPR（0.33），表明其特异性高但敏感性差，限制了其临床实用性。
• 检测延迟最低（3.96秒）的是下采样特征，最高（24.77秒）的是SincNet，凸显了特征复杂性与实时响应性之间的权衡。