[论文解读] A Novel Independent RNN Approach to Classification of Seizures against Non-seizures

Xinghua Yao, Qiang Cheng+1 more|arXiv (Cornell University)|Mar 22, 2019

EEG and Brain-Computer Interfaces参考文献 19被引用 24

一句话总结

该论文提出了一种基于新型独立RNN（IndRNN）的深度学习模型，用于自动分类EEG信号中的癫痫发作/非发作状态，通过在不断增加的时间尺度上提取分层时间特征。该方法在CHB-MIT数据集上实现了最先进性能，优于LSTM和CNN模型，关键发现是分段长度显著影响分类准确率，不同长度下的准确率波动超过4%。

ABSTRACT

In current clinical practices, electroencephalograms (EEG) are reviewed and analyzed by trained neurologists to provide supports for therapeutic decisions. Manual reviews can be laborious and error prone. Automatic and accurate seizure/non-seizure classification methods are desirable. A critical challenge is that seizure morphologies exhibit considerable variabilities. In order to capture essential seizure features, this paper leverages an emerging deep learning model, the independently recurrent neural network (IndRNN), to construct a new approach for the seizure/non-seizure classification. This new approach gradually expands the time scales, thereby extracting temporal and spatial features from the local time duration to the entire record. Evaluations are conducted with cross-validation experiments across subjects over the noisy data of CHB-MIT. Experimental results demonstrate that the proposed approach outperforms the current state-of-the-art methods. In addition, we explore how the segment length affects the classification performance. Thirteen different segment lengths are assessed, showing that the classification performance varies over the segment lengths, and the maximal fluctuating margin is more than 4%. Thus, the segment length is an important factor influencing the classification performance.

研究动机与目标

• 开发一种自动化的、基于深度学习的方法，用于分类癫痫发作与非发作的EEG片段，以减少对人工神经科医生评估的依赖。
• 解决EEG信号中癫痫发作形态在不同患者及同一患者内部存在高度变异性的挑战。
• 研究分段长度对癫痫检测分类性能的影响。
• 利用IndRNN的优势，特别是其处理长序列及缓解梯度消失/爆炸问题的能力，以提升时间特征学习效果。

提出的方法

• 模型采用单向IndRNN架构，每层后应用批量归一化以稳定训练并减少内部协变量偏移。
• 通过多层IndRNN与最大池化相结合，实现分层时间特征提取，逐步扩大有效时间尺度，从局部到全局信号持续时间。
• 从多通道EEG信号中提取空间特征，随后通过平均池化聚合各通道的整体特征。
• 最终特征通过两层全连接层进行分类，输出层使用Sigmoid激活函数。
• 在噪声较大的CHB-MIT EEG数据集上，通过跨受试者的交叉验证对模型进行训练，系统性地改变分段长度。
• 测试了双向IndRNN变体，但因性能提升微乎其微且计算成本过高而被舍弃。

实验结果

研究问题

• RQ1 所提出的基于IndRNN的方法在分类癫痫发作与非发作EEG片段方面，与现有最先进方法（如LSTM、CNN）相比表现如何？
• RQ2 分段长度的选择在多大程度上影响癫痫/非癫痫分类的性能？
• RQ3 IndRNN模型能否在EEG信号具有非线性和动态特性的情况下，有效捕捉长程时间相关性？
• RQ4 IndRNN带来的性能提升是否源于其相比标准RNN或LSTM能够处理更深网络和更长序列的能力？

主要发现

• 所提出的基于IndRNN的方法在敏感性、特异性和精确率方面均优于LSTM和CNN模型，提升幅度超过2%。
• 在不同分段长度下，分类性能的最大波动幅度超过4%，表明分段长度是关键超参数。
• 当分段长度为90秒时达到最高性能，此时敏感性、特异性和精确率均表现最优。
• 对于F1分数和准确率，不同分段长度之间的最大差异超过3%，进一步证实分段长度对模型结果具有显著影响。
• 单向IndRNN配置优于双向版本，因其性能增益微小且计算成本过高。
• 模型能有效捕捉从局部时间步长到完整EEG记录的多尺度分层时间特征，从而增强癫痫检测的鲁棒性。