[论文解读] Adversarial Representation Learning for Robust Patient-Independent Epileptic Seizure Detection

Xiang Zhang, Lina Yao+4 more|arXiv (Cornell University)|Sep 18, 2019

EEG and Brain-Computer Interfaces参考文献 27被引用 5

一句话总结

本文提出了一种基于对抗性深度学习的框架，用于使用原始非侵入性脑电图（EEG）信号实现患者无关的癫痫发作检测。通过对抗性训练将EEG分解为与发作相关和与患者相关的表征，并结合注意力机制以增强可解释性，该模型在平均80%准确率下实现了最先进性能，且延迟极低，优于现有基线方法。

ABSTRACT

Objective: Epilepsy is a chronic neurological disorder characterized by the occurrence of spontaneous seizures, which affects about one percent of the world's population. Most of the current seizure detection approaches strongly rely on patient history records and thus fail in the patient-independent situation of detecting the new patients. To overcome such limitation, we propose a robust and explainable epileptic seizure detection model that effectively learns from seizure states while eliminates the inter-patient noises. Methods: A complex deep neural network model is proposed to learn the pure seizure-specific representation from the raw non-invasive electroencephalography (EEG) signals through adversarial training. Furthermore, to enhance the explainability, we develop an attention mechanism to automatically learn the importance of each EEG channels in the seizure diagnosis procedure. Results: The proposed approach is evaluated over the Temple University Hospital EEG (TUH EEG) database. The experimental results illustrate that our model outperforms the competitive state-of-the-art baselines with low latency. Moreover, the designed attention mechanism is demonstrated ables to provide fine-grained information for pathological analysis. Conclusion and significance: We propose an effective and efficient patient-independent diagnosis approach of epileptic seizure based on raw EEG signals without manually feature engineering, which is a step toward the development of large-scale deployment for real-life use.

研究动机与目标

• 解决患者无关的癫痫发作检测挑战，即在一名患者上训练的模型在新未见患者上表现不佳，这是由于患者间差异性所致。
• 在不依赖患者特定历史数据的前提下，降低年龄、性别、癫痫类型等患者间噪声对发作表征学习的影响。
• 实现从原始EEG信号中自动、端到端的特征学习，无需人工特征工程。
• 通过注意力机制识别对癫痫发作检测决策贡献最大的EEG导联，提升模型可解释性。
• 开发一种隐私保护框架，使提取的发作表征中包含最少的患者可识别信息。

提出的方法

• 采用对抗性训练，将原始EEG信号分解为两个解耦组件：与发作相关的表征（$\mathcal{S}$）和与患者相关的表征（$\mathcal{P}$），其中$\mathcal{S}$对患者身份保持不变。
• 训练生成器网络，生成与真实发作模式难以区分的发作特异性表征$\bar{\bm{S}}$，同时对患者间差异具有鲁棒性。
• 使用判别器网络区分真实与生成的$\bar{\bm{S}}$表征，强制模型学习可泛化的发作模式。
• 集成可学习的注意力机制，为EEG导联分配通道权重，突出对癫痫诊断最相关的区域。
• 使用组合损失函数端到端训练整个模型：重建损失用于保持信号保真度，对抗损失用于实现解耦，注意力分类损失用于提升分类性能。
• 在对抗性与注意力模块之前，应用时间卷积层从原始EEG序列中提取时空特征。

实验结果

研究问题

• RQ1 对抗性表征学习是否能有效从原始EEG信号中解耦出与发作相关的模式，同时消除患者间噪声，实现患者无关的检测？
• RQ2 所提出的注意力机制在多大程度上通过识别癫痫检测中具有临床意义的EEG导联，提升了模型的可解释性？
• RQ3 在患者无关设置下，该模型在准确率、延迟和鲁棒性方面与最先进方法相比表现如何？
• RQ4 该模型是否通过最小化从学习到的发作表征中重建患者身份的风险，实现了患者隐私保护？
• RQ5 集成策略（如投票）是否能在不显著增加延迟的前提下，进一步提升检测准确率，适用于实际部署？

主要发现

• 所提模型在患者无关检测中实现了约80%的平均准确率，优于最先进基线方法。
• 注意力机制一致地将颞叶和边缘系统区域（如$T3$、$T4$、$T5$、$T6$附近）识别为与癫痫检测最相关，与已知神经通路一致。
• 靠近左耳垂（如$A1$）和左枕叶（如$O1$）的EEG导联被分配较低的注意力权重，表明其与癫痫诊断的相关性较低。
• 该模型表现出极低的测试延迟，适用于临床或可穿戴设备中的实时部署。
• 对抗性解耦有效减少了发作表征$\bar{\bm{S}}$中的患者特异性信息，增强了隐私保护。
• 通过在多个EEG片段上采用投票等集成策略，当基础准确率为80%时，检测准确率可提升至99.33%，且五段片段的延迟可接受，为5秒。