[论文解读] Automated Seizure Detection and Seizure Type Classification From Electroencephalography With a Graph Neural Network and Self-Supervised Pre-Training.

Siyi Tang, Jared Dunnmon+6 more|arXiv (Cornell University)|Apr 16, 2021

EEG and Brain-Computer Interfaces参考文献 62被引用 5

一句话总结

本研究提出一种带有自监督预训练的图神经网络（GNN），将脑电图（EEG）信号建模为图结构，相较于卷积神经网络（CNN）或长短期记忆网络（LSTM），能更自然地捕捉电极之间的连接关系。该方法在大规模公开EEG数据集（5,499个文件）上实现了最先进性能，使癫痫发作检测的AUROC提升6.3点（7.8%），癫痫发作类型分类的F1-score提升6.3点（9.2%）。

ABSTRACT

Automated seizure detection and classification from electroencephalography (EEG) can greatly improve the diagnosis and treatment of seizures. While prior studies mainly used convolutional neural networks (CNNs) that assume image-like structure in EEG signals or spectrograms, this modeling choice does not reflect the natural geometry of or connectivity between EEG electrodes. In this study, we propose modeling EEGs as graphs and present a graph neural network for automated seizure detection and classification. In addition, we leverage unlabeled EEG data using a self-supervised pre-training strategy. Our graph model with self-supervised pre-training significantly outperforms previous state-of-the-art CNN and Long Short-Term Memory (LSTM) models by 6.3 points (7.8%) in Area Under the Receiver Operating Characteristic curve (AUROC) for seizure detection and 6.3 points (9.2%) in weighted F1-score for seizure type classification. Ablation studies show that our graph-based modeling approach significantly outperforms existing CNN or LSTM models, and that self-supervision helps further improve the model performance. Moreover, we find that self-supervised pre-training substantially improves model performance on combined tonic seizures, a low-prevalence seizure type. Furthermore, our model interpretability analysis suggests that our model is better at identifying seizure regions compared to an existing CNN. In summary, our graph-based modeling approach integrates domain knowledge about EEG, sets a new state-of-the-art for seizure detection and classification on a large public dataset (5,499 EEG files), and provides better ability to identify seizure regions.

研究动机与目标

• 为解决CNN和LSTM在将EEG信号建模为图像或序列数据时的局限性，此类方法忽略了电极之间固有的几何结构与连接关系。
• 开发一种基于图的深度学习模型，显式地将EEG电极表示为节点，其功能或解剖学关系表示为边。
• 通过在大量未标注EEG数据上进行自监督预训练，提升自动化癫痫发作检测与癫痫发作类型分类的性能。
• 通过识别EEG信号中临床相关的癫痫发作起始区域，增强模型的可解释性。

提出的方法

• 将EEG信号建模为图结构，其中每个电极作为节点，电极之间的相互关系作为边，以保留大脑的空间与功能连接特性。
• 应用图神经网络（GNN）从EEG图结构中学习节点级与图级表征，捕捉局部与全局模式。
• 采用自监督预训练策略，在未标注EEG数据上通过掩码自编码实现，即通过重建被掩码的电极信号来学习泛化表征。
• 在下游任务（癫痫发作检测与癫痫发作类型分类）上，使用监督信号对预训练GNN进行微调。
• 采用图注意力机制，通过突出预测过程中关键电极或区域，提升模型可解释性。
• 使用标准指标验证性能：癫痫发作检测使用AUROC，癫痫发作类型分类使用加权F1-score。

实验结果

研究问题

• RQ1 与基于CNN和LSTM的方法相比，将EEG建模为图结构是否能提升癫痫发作检测与分类的性能？
• RQ2 在未标注EEG数据上进行自监督预训练，在多大程度上能提升下游任务性能，特别是对罕见癫痫发作类型？
• RQ3 与现有CNN模型相比，基于图的模型是否能通过精确定位癫痫发作起始区域，提供更好的可解释性？
• RQ4 在数据稀缺的低发病率癫痫发作类型（如联合强直性发作）上，该模型表现如何？

主要发现

• 所提出的带自监督预训练的GNN在癫痫发作检测任务中，相较于最先进CNN与LSTM模型，AUROC提升了6.3点（7.8%）。
• 在癫痫发作类型分类任务中，加权F1-score提升6.3点（9.2%），表明模型在各类癫痫发作中均具备更优的泛化能力。
• 消融实验表明，基于图的建模方法显著优于CNN与LSTM基线模型，尤其在复杂或罕见癫痫发作类型中提升最为显著。
• 自监督预训练显著提升了对联合强直性发作（低发病率癫痫类型）的性能，表明模型具备更高的数据效率与鲁棒性。
• 模型可解释性分析显示，与基线CNN相比，GNN能更准确识别出临床相关的癫痫发作区域，从而增强临床信任度与实用性。
• 该方法在包含5,499个文件的大规模公开EEG数据集上创下新的最先进水平，证明了其可扩展性与实际应用潜力。