[论文解读] Temporal Graph Convolutional Networks for Automatic Seizure Detection

Ian Covert, Balu Krishnan+5 more|arXiv (Cornell University)|May 3, 2019

EEG and Brain-Computer Interfaces参考文献 25被引用 49

一句话总结

本文提出 Temporal Graph Convolutional Networks (TGCN) 用于从 EEG 检测癫痫发作，利用 EEG 导联的空间结构来改进检测并提供可解释的癫痫定位。

ABSTRACT

Seizure detection from EEGs is a challenging and time consuming clinical problem that would benefit from the development of automated algorithms. EEGs can be viewed as structural time series, because they are multivariate time series where the placement of leads on a patient's scalp provides prior information about the structure of interactions. Commonly used deep learning models for time series don't offer a way to leverage structural information, but this would be desirable in a model for structural time series. To address this challenge, we propose the temporal graph convolutional network (TGCN), a model that leverages structural information and has relatively few parameters. TGCNs apply feature extraction operations that are localized and shared over both time and space, thereby providing a useful inductive bias in tasks where one expects similar features to be discriminative across the different sequences. In our experiments we focus on metrics that are most important to seizure detection, and demonstrate that TGCN matches the performance of related models that have been shown to be state of the art in other tasks. Additionally, we investigate interpretability advantages of TGCN by exploring approaches for helping clinicians determine when precisely seizures occur, and the parts of the brain that are most involved.

研究动机与目标

• 促使自动化癫痫检测以减轻临床医生对 EEG 读图的负担。
• 开发一个利用 EEG 数据中的结构化时间序列信息的模型。
• 在保持较小参数量的同时实现高检测性能。
• 使预测具有可解释性，以帮助在时间和空间上定位癫痫发作的起始点。

提出的方法

• 将 EEG 数据表示为结构化时间序列（X, A），其中 A 为导联邻接图。
• 引入 STC（时空卷积）层，在时间和图邻居之间共享过滤器。
• 提出两种 STC 传播规则（规则 A 与规则 B）用于邻域聚合。
• 结合 k 步可达性 A(k) 以扩展信息传播超出直接邻居。
• 探索沿时间维度的池化以及各种 TGCN 架构配置。
• 在长时段头皮 EEG 数据上进行训练和评估；与 TCNN、2D TCNN 和 SCNN 比较；通过梯度基的归因和序列 dropout 进行模型可解释性分析。

实验结果

研究问题

• RQ1 TGCN 是否能够利用 EEG 导联布线的空间结构达到与最先进癫痫检测模型相当的性能？
• RQ2 STC 传播规则和 k 步可达性对检测指标有何影响？
• RQ3 在 AU-ROC 和高特异性灵敏度方面，TGCN 相对于基线模型（TCNN、2D TCNN、SCNN）的比较如何？
• RQ4 基于 TGCN 的解释（归因与序列 dropout）是否能够提供临床有意义的癫痫定位？

主要发现

• TGCN 在癫痫检测任务上达到与最先进模型相当的性能。
• 使用规则 B 且配置 II 的架构在调优数据上提供了强 AU-ROC 和高特异性灵敏度。
• 在五项指标上，TGCN 相对于 TCNN、2D TCNN 和 SCNN 表现具有竞争力或更优，且在考虑多次运行的方差后性能相似。
• STC 层在时间和空间上提供局部化且共享的特征提取，使参数使用更高效并可在图拓扑之间实现迁移。
• 可解释性方法（基于梯度的归因和序列 dropout）提供的可视化和脑区定位洞察与临床对癫痫的解释相吻合。
• 序列 dropout 展示了模型指示哪些脑区（导联）对预测有贡献的能力，有助于局部化定位。