[论文解读] High Frequency EEG Artifact Detection with Uncertainty via Early Exit Paradigm

Lorena Qendro, Alexander B. Campbell+2 more|arXiv (Cornell University)|Jul 21, 2021

EEG and Brain-Computer Interfaces被引用 4

一句话总结

该论文提出E4G，一种用于高频EEG伪影检测的深度学习框架，通过早期退出范式实现不确定性感知的单次前向传播预测。通过早期退出形成模型的隐式集成，E4G在F1分数上达到最先进水平（84%），并实现良好校准的不确定性——与蒙特卡洛丢弃方法相当，但延迟降低5.2倍，使其非常适合临床医生参与的系统。

ABSTRACT

Electroencephalography (EEG) is crucial for the monitoring and diagnosis of brain disorders. However, EEG signals suffer from perturbations caused by non-cerebral artifacts limiting their efficacy. Current artifact detection pipelines are resource-hungry and rely heavily on hand-crafted features. Moreover, these pipelines are deterministic in nature, making them unable to capture predictive uncertainty. We propose E4G, a deep learning framework for high frequency EEG artifact detection. Our framework exploits the early exit paradigm, building an implicit ensemble of models capable of capturing uncertainty. We evaluate our approach on the Temple University Hospital EEG Artifact Corpus (v2.0) achieving state-of-the-art classification results. In addition, E4G provides well-calibrated uncertainty metrics comparable to sampling techniques like Monte Carlo dropout in just a single forward pass. E4G opens the door to uncertainty-aware artifact detection supporting clinicians-in-the-loop frameworks.

研究动机与目标

• 解决依赖手工特征的确定性、计算资源密集型EEG伪影检测流程的局限性。
• 实现逐时间点的伪影检测并估计预测不确定性，以提升临床信任与决策能力。
• 开发一种可扩展、高效的深度学习框架，在不使用蒙特卡洛丢弃等采样方法的前提下提供不确定性量化。
• 通过识别高不确定性预测供专家审查，支持临床医生参与的系统。

提出的方法

• E4G在深度神经网络中采用早期退出（EE）范式，多个中间退出分支在不同网络深度生成预测。
• 每个早期退出分支生成逐时间点的预测，形成隐式模型集成，从而实现不确定性估计。
• 模型通过所有退出点损失的加权和进行训练，使用可学习权重以优先考虑早期和晚期预测。
• 预测不确定性通过预测熵和Brier评分量化，基于退出预测的集成计算得出。
• 该框架实现单次前向传播的不确定性估计，避免了蒙特卡洛丢弃的计算开销。
• 通过分析不同退出分支之间的分歧，支持不确定性驱动的决策，用于伪影边界检测与置信度评估。

实验结果

研究问题

• RQ1 早期退出范式能否有效应用于EEG伪影检测，实现在不使用采样方法的前提下不确定性量化？
• RQ2 与蒙特卡洛丢弃相比，E4G的不确定性估计在校准性和预测性能方面表现如何？
• RQ3 E4G能否在保持低推理延迟的同时实现最先进水平的伪影检测性能？
• RQ4 来自多个早期退出的预测不确定性如何在临床医生参与的框架中支持临床决策？
• RQ5 由早期退出形成的隐式集成是否相比确定性模型提升了对错误预测的鲁棒性？

主要发现

• E4G在TUH-A v2.0测试集上实现了84%的最先进F1分数，与基线模型性能相当。
• E4G在错误预测上表现出良好校准的不确定性，预测熵为0.45，Brier评分为0.53，优于蒙特卡洛丢弃方法（分别为0.53和0.55）。
• E4G仅带来1.1倍的延迟开销，而蒙特卡洛丢弃使用5个样本时延迟增加5.2倍。
• 早期退出预测之间的分歧揭示了伪影边界的不确定性，可自动识别模糊区域供临床医生审查。
• 该框架支持不确定性感知的决策，例如将高不确定性样本路由至专家，且不损失准确性。
• 由早期退出形成的隐式集成支持可解释性与鲁棒性，退出多样性为未来集成聚合策略提供了支持。