[论文解读] EEG-GCNN: Augmenting Electroencephalogram-based Neurological Disease Diagnosis using a Domain-guided Graph Convolutional Neural Network

Neeraj Wagh, Yogatheesan Varatharajah|arXiv (Cornell University)|Nov 17, 2020

EEG and Brain-Computer Interfaces参考文献 22被引用 41

一句话总结

EEG-GCNN 使用一个基于领域信息的 EEG 连接图的图卷积网络来区分患有神经疾病的患者的“正常”脑电图与健康脑电图，在保留集上达到 AUC 0.90，并且优于基线。

ABSTRACT

This paper presents a novel graph convolutional neural network (GCNN)-based approach for improving the diagnosis of neurological diseases using scalp-electroencephalograms (EEGs). Although EEG is one of the main tests used for neurological-disease diagnosis, the sensitivity of EEG-based expert visual diagnosis remains at $\sim$50\%. This indicates a clear need for advanced methodology to reduce the false negative rate in detecting abnormal scalp-EEGs. In that context, we focus on the problem of distinguishing the abnormal scalp EEGs of patients with neurological diseases, which were originally classified as 'normal' by experts, from the scalp EEGs of healthy individuals. The contributions of this paper are three-fold: 1) we present EEG-GCNN, a novel GCNN model for EEG data that captures both the spatial and functional connectivity between the scalp electrodes, 2) using EEG-GCNN, we perform the first large-scale evaluation of the aforementioned hypothesis, and 3) using two large scalp-EEG databases, we demonstrate that EEG-GCNN significantly outperforms the human baseline and classical machine learning (ML) baselines, with an AUC of 0.90.

研究动机与目标

• 通过提升从 EEG 诊断神经疾病的准确性，超越专家基于视觉检查的诊断。
• 提出一个编码空间和功能性大脑连接性的 GCNN 模型用于 EEG 数据。
• 展示大规模评估，表明 EEG-GCNN 的诊断性能优于人类及传统基线方法。
• 展示一个全连接图表示及领域引导边的实现能提升诊断性能。

提出的方法

• 将 10 秒 EEG 窗口表示为全连接图，边权结合空间测地距离和谱相干。
• 对图应用 Kipf 与 Welling 的谱图卷积，以在图上传播特征。
• 通过全局均值池化聚合节点嵌入，得到图级表示。
• 使用一个全连接网络将图嵌入映射到窗级疾病概率。
• 基于窗级预测汇总成受试者级估计，方法为最大似然（跨窗平均概率）。
• 将浅层和深层 EEG-GCNN 变体与 FCNN 和随机森林基线进行比较。

实验结果

研究问题

• RQ1 一个编码空间和功能性 EEG 连接性的 GCNN 是否能在疾病与健康 EEG 的判别上优于专家识别的正常 EEG？
• RQ2 基于领域引导、带边权的图表示是否比二元或手工特征具有更好表现？
• RQ3 在这项任务中，GCNN 变体与传统机器学习方法在大型 EEG 数据集上的比较？

主要发现

• EEG-GCNN 在保留测试集上获得 AUC 0.90，领先人类和经典 ML 基线约 10 个百分点。
• 浅层 EEG-GCNN 能达到或接近深层 EEG-GCNN 性能，两个变体的 AUC 约为 0.90。
• 随机森林达到 AUC 0.80，FCNN 0.71，表明基于图的方法带来显著提升。
• 基于窗级输出的受试者级预测在区分力方面优于仅使用谱特征。
• 该方法在大型数据集上（TUAB 和 MPI LEMON 推导的窗）表现出强劲性能，并在基线对比中具有统计显著性（Kolmogorov–Smirnov 检验，p<0.05）。
• EEG-GCNN 的嵌入在 t-SNE 可视化中显示出比谱特征更好的类别可分性。