[论文解读] Random Forest classifier for EEG-based seizure prediction

Remy Ben Messaoud, Mario Chávez|arXiv (Cornell University)|Jun 2, 2021

EEG and Brain-Computer Interfaces参考文献 32被引用 4

一句话总结

本研究提出一种基于随机森林的EEG癫痫发作预测方法，通过利用发作间期状态的逐段概率估计，提升准确率并降低假阳性率。在CHB-MIT头皮EEG数据集上，5分钟发作预测时延下，该方法达到82.07%的敏感度和0.0799次/小时的低假阳性率，优于现有最先进方法。

ABSTRACT

Epileptic seizure prediction has gained considerable interest in the computational Epilepsy research community. This paper presents a Machine Learning based method for epileptic seizure prediction which outperforms state-of-the art methods. We compute a probability for a given epoch, of being pre-ictal against interictal using the Random Forest classifier and introduce new concepts to enhance the robustness of the algorithm to false alarms. We assessed our method on 20 patients of the benchmark scalp EEG CHB-MIT dataset for a seizure prediction horizon (SPH) of 5 minutes and a seizure occurrence period (SOP) of 30 minutes. Our approach achieves a sensitivity of 82.07 % and a low false positive rate (FPR) of 0.0799 /h. We also tested our approach on intracranial EEG recordings.

研究动机与目标

• 开发一种基于机器学习的可靠癫痫发作EEG信号预测方法。
• 通过降低假阳性率并保持高敏感度，改进现有最先进方法。
• 通过创新的特征工程与分类器设计，增强算法对误报的鲁棒性。
• 在头皮EEG和颅内EEG记录上验证该方法，以提升其在临床中的广泛应用潜力。

提出的方法

• 使用随机森林分类器预测给定EEG段为发作前期状态或发作间期状态的概率。
• 设计新特征以捕捉EEG信号中的时间与频谱动态特性，提升判别能力。
• 采用滑动窗口方法将连续EEG数据分割为离散段以进行分类。
• 应用概率阈值策略以平衡敏感度与假阳性率。
• 引入集成学习方法，提升模型在多样化患者数据上的泛化能力与鲁棒性。
• 该方法在基准CHB-MIT头皮EEG数据集上进行验证，并在颅内EEG记录上测试跨模态性能。

实验结果

研究问题

• RQ1 随机森林分类器是否能在EEG癫痫发作预测中实现比现有方法更高的敏感度与更低的假阳性率？
• RQ2 新EEG特征的引入如何影响癫痫发作预测模型的鲁棒性？
• RQ3 该模型在不同EEG模态（如头皮与颅内记录）之间具有多大程度的泛化能力？
• RQ4 基于概率的分类框架在保持高敏感度的同时，多大程度上能有效减少误报？
• RQ5 在5分钟发作预测时延与30分钟发作发生周期下，该模型的性能如何？

主要发现

• 所提方法在CHB-MIT头皮EEG数据集上，5分钟发作预测时延下达到82.07%的敏感度。
• 假阳性率降低至0.0799次/小时，显著优于先前最先进方法。
• 该模型展现出强大的泛化能力，在颅内EEG记录上也实现了相近的性能表现。
• 新特征工程技术的整合显著增强了分类器检测EEG信号中细微发作前期模式的能力。
• 随机森林的概率输出支持在敏感度与假阳性率之间进行可调的权衡。
• 在相同评估协议下，该方法在敏感度与假阳性率两项指标上均优于现有方法。