[论文解读] Automated Classification of Seizures against Nonseizures: A Deep Learning Approach

Xinghua Yao, Qiang Cheng+1 more|arXiv (Cornell University)|Jun 5, 2019

EEG and Brain-Computer Interfaces参考文献 27被引用 21

一句话总结

该论文提出ADIndRNN，一种结合独立循环神经网络（IndRNN）、密集连接结构和注意力机制的深度学习模型，用于自动分类EEG发作与非发作段。该方法在噪声较大的CHB-MIT数据集上实现了88.80%的敏感度、88.60%的特异度和88.69%的精确度，相较于LSTM和CNN基线模型，在关键指标上均至少提升4%。

ABSTRACT

In current clinical practice, electroencephalograms (EEG) are reviewed and analyzed by well-trained neurologists to provide supports for therapeutic decisions. The way of manual reviewing is labor-intensive and error prone. Automatic and accurate seizure/nonseizure classification methods are needed. One major problem is that the EEG signals for seizure state and nonseizure state exhibit considerable variations. In order to capture essential seizure features, this paper integrates an emerging deep learning model, the independently recurrent neural network (IndRNN), with a dense structure and an attention mechanism to exploit temporal and spatial discriminating features and overcome seizure variabilities. The dense structure is to ensure maximum information flow between layers. The attention mechanism is to capture spatial features. Evaluations are performed in cross-validation experiments over the noisy CHB-MIT data set. The obtained average sensitivity, specificity and precision of 88.80%, 88.60% and 88.69% are better than using 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

• 为应对发作与非发作状态下EEG信号高度可变性带来的挑战，该挑战阻碍了准确的自动分类。
• 开发一种可直接处理原始EEG数据的深度学习模型，以捕捉时间动态特性及空间（通道特异性）特征。
• 通过使用堆叠层的IndRNN，克服传统RNN的梯度消失和深度可扩展性差等局限。
• 通过集成密集连接结构以实现最大信息流，以及引入注意力机制以实现通道自适应加权，从而改善特征表示。
• 研究分段长度对分类性能的影响，识别出可靠检测的最优窗口尺寸。

提出的方法

• 所提出的ADIndRNN模型结合了独立循环神经网络（IndRNN），用于建模EEG序列中的长期时间依赖性。
• 密集连接结构确保每一层都能接收所有前序层的特征图，从而最大化信息流并缓解梯度衰减。
• 注意力机制用于学习通道特异性权重，自适应地强调对发作具有更高判别力的脑区。
• 采用双向架构以同时捕获序列中过去与未来的上下文信息，提升特征表示能力。
• 网络在CHB-MIT数据集上通过交叉验证进行端到端训练，使用标准反向传播最小化损失。
• 分段长度在13种配置下进行调整，以评估其对性能的影响，23秒被选为基准比较长度。

实验结果

研究问题

• RQ1 与标准RNN和CNN相比，IndRNN、密集连接和注意力机制的集成如何提升发作/非发作分类的准确性？
• RQ2 EEG分类的最优分段长度是什么？其对敏感度、特异度和精确度有何影响？
• RQ3 注意力机制在多大程度上通过根据发作模式自适应加权不同EEG通道来提升性能？
• RQ4 密集连接结构是否能有效减少梯度衰减并提升深层EEG网络的特征学习能力？
• RQ5 在敏感度、特异度和F1分数方面，该模型与LSTM和CNN等最先进方法相比表现如何？

主要发现

• 所提出的ADIndRNN模型在噪声较大的CHB-MIT数据集上实现了平均88.80%的敏感度、88.60%的特异度和88.69%的精确度，相较于LSTM和CNN基线模型至少提升4%。
• F1分数达到88.71%，准确率为88.70%，表明所有指标下均表现出强劲的整体分类性能。
• 分段长度显著影响分类性能，13种评估长度中最大波动幅度超过4%。
• 由于性能均衡且过拟合风险较低，选择12层IndRNN（IndRNN-12）用于分段长度分析。
• 注意力机制通过动态适应不同发作类型和患者特异性模式来调整通道重要性，表现优于直接学习权重的方法。
• 双向IndRNN结构虽带来微小性能增益，但伴随计算时间增加，表明该任务中收益有限。