[论文解读] Neural Memory Networks for Robust Classification of Seizure Type

David Ahmedt‐Aristizabal, Tharindu Fernando+4 more|arXiv (Cornell University)|Dec 10, 2019

EEG and Brain-Computer Interfaces被引用 6

一句话总结

本文提出了一种新型神经记忆网络（NMN）架构，通过使用电生理EEG数据提升癫痫发作类型分类的性能。通过将具有可训练可塑性的外部记忆模块整合到卷积神经网络和循环神经网络中，该模型在经过IBM TUSZ预处理的TUH EEG癫痫发作语料库上实现了最先进的加权F1分数0.945，显示出在自动化癫痫诊断方面具有显著潜力。

ABSTRACT

Classification of seizure type is a key step in the clinical process for evaluating an individual who presents with seizures. It determines the course of clinical diagnosis and treatment, and its impact stretches beyond the clinical domain to epilepsy research and the development of novel therapies. Automated identification of seizure type may facilitate understanding of the disease, and seizure detection and prediction has been the focus of recent research that has sought to exploit the benefits of machine learning and deep learning architectures. Nevertheless, there is not yet a definitive solution for automating the classification of seizure type, a task that must currently be performed by an expert epileptologist. Inspired by recent advances in neural memory networks (NMNs), we introduce a novel approach for the classification of seizure type using electrophysiological data. We first explore the performance of traditional deep learning techniques which use convolutional and recurrent neural networks, and enhance these architectures by using external memory modules with trainable neural plasticity. We show that our model achieves a state-of-the-art weighted F1 score of 0.945 for seizure type classification on the TUH EEG Seizure Corpus with the IBM TUSZ preprocessed data. This work highlights the potential of neural memory networks to support the field of epilepsy research, along with biomedical research and signal analysis more broadly.

研究动机与目标

• 为解决临床中准确分类癫痫发作类型这一关键挑战，这是癫痫诊断与治疗方案制定的重要步骤。
• 克服当前自动化方法在从EEG信号中分类多种癫痫发作类型时缺乏鲁棒性与泛化能力的局限。
• 探索神经记忆网络（NMN）在利用电生理数据增强深度学习模型以实现癫痫发作类型分类方面的潜力。
• 通过引入具有可训练可塑性的外部记忆，超越传统卷积神经网络与循环神经网络的性能表现。
• 在经过IBM TUSZ预处理的TUH EEG癫痫发作语料库上，建立癫痫发作类型分类的新SOTA基准。

提出的方法

• 该方法结合卷积神经网络（CNN）与循环神经网络（RNN），从原始EEG信号中提取空间与时间特征。
• 在深度学习架构中集成外部记忆模块，用于存储与检索输入序列中的长期相关模式。
• 记忆模块采用可训练的神经可塑性机制，根据输入数据与模型反馈动态更新并自适应调整存储的表征。
• 采用反向传播算法进行端到端训练，损失函数为交叉熵，以优化分类性能。
• 在经过IBM TUSZ预处理的TUH EEG癫痫发作语料库上评估该架构，该预处理方法对EEG记录进行了标准化与归一化。
• 性能通过加权F1分数进行衡量，该指标适用于类别分布不均衡的癫痫发作类型数据。

实验结果

研究问题

• RQ1 与标准深度学习模型相比，神经记忆网络是否能提升自动化癫痫发作类型分类的准确率与鲁棒性？
• RQ2 具有可训练可塑性的外部记忆模块如何增强模型捕捉EEG信号中长期时间依赖关系的能力？
• RQ3 所提出的基于NMN的模型在经过IBM TUSZ预处理的TUH EEG癫痫发作语料库上的表现如何，特别是在F1分数与各类癫痫发作类型的泛化能力方面？
• RQ4 在从电生理数据中分类多种癫痫发作类型时，记忆增强架构在多大程度上优于标准的CNN-RNN模型？

主要发现

• 所提出的神经记忆网络在使用IBM TUSZ预处理数据的TUH EEG癫痫发作语料库上，实现了SOTA加权F1分数0.945。
• 集成具有可训练可塑性的外部记忆模块，显著提升了分类性能，优于标准的CNN-RNN架构。
• 该模型在数据集类别不平衡的情况下，仍表现出优异的各类癫痫发作类型的泛化能力。
• 结果表明，记忆增强的深度学习模型在复杂生物医学信号分类任务（如癫痫发作类型识别）中极为有效。
• 该方法在癫痫研究、临床决策支持以及新型治疗策略开发方面展现出广阔的应用潜力。