[论文解读] Data Augmentation for Seizure Prediction with Generative Diffusion Model

Kai Shu, Wu Le+4 more|arXiv (Cornell University)|Jun 14, 2023

EEG and Brain-Computer Interfaces被引用 4

一句话总结

本文提出DiffEEG，一种基于生成扩散模型的新型数据增强方法，用于癫痫发作预测，可合成多样化、高质量的多通道EEG信号。通过在去噪过程中学习潜在数据分布，DiffEEG生成具有更高多样性与泛化能力的发作前期样本，在多个基准数据集上显著提升多种深度学习分类器的性能，实现95.4%的敏感度与0.932的AUC，达到当前最先进水平（在CHB-MIT数据集上）。

ABSTRACT

Data augmentation (DA) can significantly strengthen the electroencephalogram (EEG)-based seizure prediction methods. However, existing DA approaches are just the linear transformations of original data and cannot explore the feature space to increase diversity effectively. Therefore, we propose a novel diffusion-based DA method called DiffEEG. DiffEEG can fully explore data distribution and generate samples with high diversity, offering extra information to classifiers. It involves two processes: the diffusion process and the denoised process. In the diffusion process, the model incrementally adds noise with different scales to EEG input and converts it into random noise. In this way, the representation of data can be learned. In the denoised process, the model utilizes learned knowledge to sample synthetic data from random noise input by gradually removing noise. The randomness of input noise and the precise representation enable the synthetic samples to possess diversity while ensuring the consistency of feature space. We compared DiffEEG with original, down-sampling, sliding windows and recombination methods, and integrated them into five representative classifiers. The experiments demonstrate the effectiveness and generality of our method. With the contribution of DiffEEG, the Multi-scale CNN achieves state-of-the-art performance, with an average sensitivity, FPR, AUC of 95.4%, 0.051/h, 0.932 on the CHB-MIT database and 93.6%, 0.121/h, 0.822 on the Kaggle database.

研究动机与目标

• 为解决癫痫发作预测中发作前期与发作间期EEG状态之间严重的类别不平衡问题，该问题限制了分类器的性能。
• 克服现有数据增强方法（如滑动窗口和重组）的局限性，这些方法因依赖原始数据分布而生成冗余、低多样性的样本。
• 探索生成式扩散模型在创建高质量、多样化合成EEG数据方面的潜力，以捕捉多通道间复杂的时序与空间模式。
• 在多种深度学习架构（MLP、CNN、Transformer）和真实世界数据集（CHB-MIT、Kaggle）上，评估所提方法的有效性与泛化能力。
• 通过基于扩散模型的数据增强，建立EEG基癫痫发作预测的新SOTA基线。

提出的方法

• 该方法采用去噪扩散概率模型（DDPM），在前向过程中逐步向真实EEG样本添加噪声，并学习逆转该过程以生成合成数据。
• 模型通过最小化每一步扩散过程中预测噪声与实际添加噪声之间的重建损失进行训练，从而学习真实数据分布。
• 推理阶段，模型通过逐步去噪从标准高斯分布开始的随机噪声，迭代生成新的发作前期样式的EEG样本。
• 该架构被设计为直接生成30秒时长、18通道的完整多通道EEG信号，保留通道间相关性与时序动态特性。
• 生成的合成数据用于扩充少数类的发作前期样本，提升训练数据平衡性，无需人工特征工程。
• 该方法被集成到三种深度学习主干网络（MLP、CNN、Transformer）中，以实现全面评估。

实验结果

研究问题

• RQ1 与传统的数据增强技术（如滑动窗口和重组）相比，扩散模型能否生成更具多样性与代表性发作前期EEG样本？
• RQ2 使用扩散模型生成的合成数据是否能在不同深度学习架构上提升癫痫发作预测性能？
• RQ3 在真实EEG数据集上，所提DiffEEG方法相较于现有数据增强策略，在敏感度、假阳性率与AUC方面的表现如何？
• RQ4 考虑到癫痫EEG模式的变异性，生成的合成EEG数据是否能泛化至未见的发作事件与新患者？
• RQ5 相较于GANs，扩散模型是否在EEG数据增强中展现出更稳定、更有效的生成能力，特别是在避免模式崩溃与确保样本多样性方面？

主要发现

• DiffEEG在所有三种深度学习主干网络（MLP、CNN、Transformer）上显著优于传统数据增强方法（下采样、滑动窗口、重组）。
• 在CHB-MIT数据集上，DiffEEG与多尺度CNN结合实现了95.4%的敏感度、0.05次/小时的假阳性率与0.932的AUC，达到当前最先进水平。
• 在Kaggle数据集上，相同设置实现了93.6%的敏感度、0.12次/小时的假阳性率与0.822的AUC，同样达到当前最先进水平。
• 生成的合成EEG样本在视觉上合理，经定性检查与定量评估确认其包含有意义的时序与空间模式。
• 扩散模型展现出稳定的训练过程，损失持续下降，而GANs则易出现模式崩溃与训练不稳定性。
• 该方法具备良好的泛化能力，在不同网络架构上均提升性能，表明其鲁棒性与在癫痫发作预测流程中的广泛适用性。