[论文解读] An Explainable Model for EEG Seizure Detection based on Connectivity Features

Mohammad Mansour, Fouad Khnaisser+1 more|arXiv (Cornell University)|Sep 26, 2020

EEG and Brain-Computer Interfaces参考文献 37被引用 5

一句话总结

该论文提出了一种基于无向（例如，相干性、锁相值）和有向（例如，有向相干性、部分有向相干性）连通性特征的可解释深度学习模型，用于EEG癫痫发作检测。该模型结合卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和注意力机制，在序列子窗口上进行建模，在平衡的MIT-BIH数据集上实现了97.03%的准确率，同时通过基于激活的显著性分析实现了特征重要性的可解释性。

ABSTRACT

Epilepsy which is characterized by seizures is studied using EEG signals by recording the electrical activity of the brain. Different types of communication between different parts of the brain are characterized by many state of the art connectivity measures which can be directed and undirected. We propose to employ a set of undirected (spectral matrix, the inverse of the spectral matrix, coherence, partial coherence, and phaselocking value) and directed features (directed coherence, the partial directed coherence) to learn a deep neural network that detects whether a particular data window belongs to a seizure or not, which is a new approach to standard seizure classification. Taking our data as a sequence of ten sub-windows, we aim at designing an optimal deep learning model using attention, CNN, BiLstm, and fully connected layers. We also compute the relevance using the weights of the learned model based on the activation values of the receptive fields at a particular layer. Our best model architecture resulted in 97.03% accuracy using balanced MITBIH data subset. Also, we were able to explain the relevance of each feature across all patients. We were able to experimentally validate some of the scientific facts concerning seizures by studying the impact of the contributions of the activations on the decision.

研究动机与目标

• 开发一种基于连通性特征的深度学习模型，用于检测EEG信号中的癫痫发作。
• 整合无向和有向连通性度量，以捕捉多样的脑网络相互作用。
• 设计一种具有注意力机制的模型，以改善EEG窗口的时间序列建模。
• 通过激活权重计算特征重要性，确保模型的可解释性。
• 通过与癫痫发作动力学的已知神经生理学事实对比，验证模型的预测结果。

提出的方法

• 将输入的EEG数据分割为十个连续的子窗口，用于时间建模。
• 采用混合深度学习架构，结合卷积层（CNN）、双向长短期记忆网络（BiLSTM）和全连接层，并引入注意力机制。
• 连通性特征包括频谱矩阵、相干性、部分相干性、锁相值、有向相干性和部分有向相干性。
• 通过特定层的激活值导出的基于梯度的显著性图计算特征重要性。
• 在MIT-BIH EEG数据集的平衡子集上端到端训练模型。
• 通过分析每种连通性特征对最终癫痫预测的贡献，实现可解释性。

实验结果

研究问题

• RQ1 基于连通性的特征能否提升深度学习模型在EEG癫痫检测中的准确性？
• RQ2 不同类型的大脑连通性（无向与有向）在癫痫分类中分别起到何种作用？
• RQ3 注意力机制在多大程度上增强了EEG子窗口的时间序列建模能力？
• RQ4 能否通过特征重要性分析对模型的预测结果进行有意义的解释？
• RQ5 模型学习到的特征贡献是否与癫痫的既定神经生理学理解一致？

主要发现

• 所提出的模型在平衡的MIT-BIH EEG数据集上实现了97.03%的测试准确率。
• 同时整合无向和有向连通性特征显著提升了模型性能，优于单独使用任一类型。
• 特征重要性分析揭示了不同患者中连通性度量的差异化贡献，实现了患者特异性的可解释性。
• 注意力机制有效突出了影响最终预测的关键时间窗口和连通性特征。
• 模型的注意力模式与已知的癫痫动力学特征一致，例如特定频段内同步性的增强。
• 显著性分析验证了已知的科学观察，例如癫痫发作起始期相位锁相的增强。