[논문 리뷰] Synthetic Epileptic Brain Activities Using Generative Adversarial Networks

Damián Pascual, Amir Aminifar외 3명|arXiv (Cornell University)|2019. 07. 22.

EEG and Brain-Computer Interfaces인용 수 6

한 줄 요약

이 논문은 환자의 비간질 상태 뇌파 데이터를 조건으로 삼아 고해상도의 합성 간질 발작 뇌파 신호를 생성하는 조건부 생성적 적대 신경망(GAN)을 제안한다. 30명의 간질 환자 데이터로 훈련된 GAN은 실제 데이터 훈련과 비교해도 유사한 간질 발작 탐지 성능을 보이며, 민감도와 특이도의 기하평균에서 전반적으로 1.2% 향상된 성능을 기록한다.

ABSTRACT

Epilepsy is a chronic neurological disorder affecting more than 65 million people worldwide and manifested by recurrent unprovoked seizures. The unpredictability of seizures not only degrades the quality of life of the patients, but it can also be life-threatening. Modern systems monitoring electroencephalography (EEG) signals are being currently developed with the view to detect epileptic seizures in order to alert caregivers and reduce the impact of seizures on patients' quality of life. Such seizure detection systems employ state-of-the-art machine learning algorithms that require a considerably large amount of labeled personal data for training. However, acquiring EEG signals of epileptic seizures is a costly and time-consuming process for medical experts and patients, currently requiring in-hospital recordings in specialized units. In this work, we generate synthetic seizure-like brain electrical activities, i.e., EEG signals, that can be used to train seizure detection algorithms, alleviating the need for recorded data. First, we train a Generative Adversarial Network (GAN) with data from 30 epilepsy patients. Then, we generate synthetic personalized training sets for new, unseen patients, which overall yield higher detection performance than the real-data training sets. We demonstrate our results using the datasets from the EPILEPSIAE Project, one of the world's largest public databases for seizure detection.

연구 동기 및 목표

• 뇌전증 모니터링 시스템에서 레이블이 붙은 간질 발작 데이터가 부족한 데 대비하는 데 초점을 맞춘다.
• 비간질 상태 데이터로부터 현실적인 간질 상태 뇌파 신호를 합성할 수 있는 깊이 신뢰성 있는 생성 모델을 개발한다.
• 합성 간질 상태 데이터만으로도 실제 데이터 훈련과 비교해 유사한 성능을 낼 수 있는지 평가한다.
• 자신의 실재 간질 발작 기록이 없는 신규 환자에게도 개인 맞춤형 간질 발작 탐지 시스템을 제공할 수 있도록 한다.
• 개인 정보 보호와 확장성을 고려한 순수 합성 데이터 훈련의 가능성에 대해 입증한다.

제안 방법

• 비간질 상태 뇌파 샘플을 입력으로 사용해 간질 상태 뇌파 신호를 생성하는 조건부 GAN을 훈련한다.
• 생성자는 가중치가 학습 가능한 스키프 커넥션과 가우시안 노이즈 주입을 통해 확률적 특성을 가지는 U-Net 아키텍처를 사용한다.
• 판별자는 생성자의 인코더 아키텍처를 공유하며, 진위 분류를 위한 추가적인 완전 연결 계층을 포함한다.
• 훈련 안정성과 샘플 품질 향상을 위해 최소 제곱 생성적 적대 신경망(LSGAN) 손실을 사용한다.
• 새로운, 관측되지 않은 환자에게는 자신의 비간질 상태 뇌파 데이터를 조건 입력으로 하여 합성 간질 상태 샘플을 생성한다.
• 54개의 전극당 파wr 및 비선형성 지표에서 추출한 특징을 사용해 랜덤 포레스트 분류기를 합성 데이터 및 실제 데이터 훈련 세트에서 훈련하고 평가한다.

실험 결과

연구 질문

• RQ1 GAN이 효과적인 간질 발작 탐지 모델 훈련에 적합한 현실적인 합성 간질 뇌파 신호를 생성할 수 있는가?
• RQ2 합성 간질 상태 데이터로만 훈련한 간질 발작 탐지 모델이 실제 간질 상태 데이터로 훈련한 성능과 비교해 유사한 성능을 낼 수 있는가?
• RQ3 환자의 자신의 비간질 상태 뇌파 데이터로 GAN을 조건화하면 생성된 간질 상태 신호의 개인 맞춤화 및 현실감이 향상되는가?
• RQ4 합성 데이터가 간질 발작 탐지에서 민감도와 특이도의 기하평균에 미치는 영향은 무엇인가?
• RQ5 이 방법을 통해 실재 간질 발작 기록이 없는 신규 환자에게도 개인 맞춤형 모니터링 시스템을 제공할 수 있는가?

주요 결과

• 합성 간질 상태 샘플로 훈련한 결과, 일반 데이터베이스의 실제 데이터 훈련보다 민감도와 특이도의 기하평균에서 전반적으로 1.2% 향상된 성능을 기록했다.
• 29명의 환자 중 20명(69%)은 합성 데이터 훈련 시 실제 데이터 훈련보다 1% 이상 높은 성능를 기록했다.
• 합성 데이터 사용 시 성능가 1% 이상 감소한 환자는 오직 4명 뿐이었으며, 이는 개인 간에 높은 강건성을 보임을 시사한다.
• 개별 비간질 상태 뇌파 데이터로 조건화된 덕분에 합성 간질 상태 신호는 환자 고유의 특징을 유지하여 현실감과 탐지 유용성을 향상시켰다.
• 시각화 결과에서 여러 전극 채널에서 델타-세타 리듬과 유사한 간질 유사 패tern이 성공적으로 생성되었다.
• 이 방법을 통해 실재 간질 발작 기록이 없더라도 비간질 상태 뇌파 데이터와 합성 간질 상태 신호만으로도 신규 환자용 간질 발작 탐지 시스템을 훈련시킬 수 있다.