[论文解读] Energy-Efficient Tree-Based EEG Artifact Detection

Thorir Mar Ingolfsson, Andrea Cossettini+2 more|arXiv (Cornell University)|Jan 1, 2022

EEG and Brain-Computer Interfaces被引用 1

一句话总结

本论文提出了一种基于树模型的节能型EEG伪影检测系统，采用最少4通道的颞叶EEG配置，通过自动化机器学习（TPOT）优化，并部署于PULP超低功耗平台。该系统在每次推理中仅消耗4.71 µJ能量，准确率达到93.95%，在可穿戴癫痫监测系统中，其准确率和能效均优于现有最先进方法。

ABSTRACT

In the context of epilepsy monitoring, EEG artifacts are often mistaken for seizures due to their morphological similarity in both amplitude and frequency, making seizure detection systems susceptible to higher false alarm rates. In this work we present the implementation of an artifact detection algorithm based on a minimal number of EEG channels on a parallel ultra-low-power (PULP) embedded platform. The analyses are based on the TUH EEG Artifact Corpus dataset and focus on the temporal electrodes. First, we extract optimal feature models in the frequency domain using an automated machine learning framework, achieving a 93.95% accuracy, with a 0.838 F1 score for a 4 temporal EEG channel setup. The achieved accuracy levels surpass state-of-the-art by nearly 20%. Then, these algorithms are parallelized and optimized for a PULP platform, achieving a 5.21 times improvement of energy-efficient compared to state-of-the-art low-power implementations of artifact detection frameworks. Combining this model with a low-power seizure detection algorithm would allow for 300h of continuous monitoring on a 300 mAh battery in a wearable form factor and power budget. These results pave the way for implementing affordable, wearable, long-term epilepsy monitoring solutions with low false-positive rates and high sensitivity, meeting both patients' and caregivers' requirements.

研究动机与目标

• 开发一种适用于可穿戴、长期癫痫监测的低功耗、高精度EEG伪影检测系统。
• 解决由于伪影与癫痫发作在形态学上相似而导致的高假阳性率问题。
• 利用TUH EEG伪影语料库中的自动化机器学习技术优化伪影检测性能。
• 在真实超低功耗嵌入式平台（Mr. Wolf）上实现并最小化检测框架的能耗。

提出的方法

• 采用快速傅里叶变换（FFT）和离散小波变换（DWT）对频域信号进行预处理。
• 使用TPOT自动化机器学习框架，在二分类、多标签和多分类多输出分类任务中搜索最优集成树模型。
• 设计一种通过MCCP算法进行剪枝的决策树集成（Extra Trees）模型，以减小模型大小和内存占用。
• 针对8核Mr. Wolf PULP平台优化模型，使树的数量为8的倍数，以实现高效的多核并行执行。
• 在Mr. Wolf芯片上测量能耗，实现小于200 µs的推理时间，且在MMC场景下每次推理能耗仅为4.71 µJ。
• 将伪影检测模型与先前的低功耗癫痫发作检测模型结合，实现在300 mAh电池下连续300小时的监测。

实验结果

研究问题

• RQ1 自动化机器学习能否在仅使用最少EEG导联的情况下识别出适用于EEG伪影检测的最优树模型？
• RQ2 在TUH EEG伪影语料库上，不同分类范式（二分类、多标签、多分类多输出）下的伪影检测准确率如何变化？
• RQ3 当部署于像Mr. Wolf这样的超低功耗嵌入式平台时，基于树的伪影检测系统的可实现能效是多少？
• RQ4 通过模型剪枝与并行化，能在多大程度上降低内存占用和能耗，同时不牺牲准确率？
• RQ5 所提出的伪影检测系统能否与低功耗癫痫发作检测系统集成，以实现长期、可穿戴的癫痫监测？

主要发现

• 所提出的系统在使用4通道颞叶EEG配置的情况下，在TUH EEG伪影语料库上实现了93.95%的测试准确率，较先前最先进方法高出近20%。
• 在多分类多输出分类设置中，模型F1得分为0.838，与最佳报告的F1得分相当，但准确率显著更高。
• 在Mr. Wolf平台上，能耗降低至每次推理4.71 µJ，相较于现有低功耗实现方案，能效提升了5.21倍。
• 通过将决策树数量限制为8的倍数以支持并行执行，模型大小从11,000 kB减少至2,300 kB，仅导致1%的准确率下降。
• 当与低功耗癫痫发作检测算法结合时，系统可在300 mAh电池下实现长达300小时的连续EEG监测。
• 通过MCCP算法进行剪枝后，即使在512 kB L2内存限制下，仍能保持高准确率（BC场景下为92.4%），验证了优化后嵌入式实现的鲁棒性。