[论文解读] Self-Supervised Graph Neural Networks for Improved Electroencephalographic Seizure Analysis

Siyi Tang, Jared Dunnmon+6 more|arXiv (Cornell University)|Apr 16, 2021

EEG and Brain-Computer Interfaces被引用 60

一句话总结

论文引入基于图的脑电图（EEG）建模，使用两种图结构和自监督预训练方案，在大型 EEG 数据集上实现癫痫检测/分类的SOTA，并在定位方面有所提升。

ABSTRACT

Automated seizure detection and classification from electroencephalography (EEG) can greatly improve seizure diagnosis and treatment. However, several modeling challenges remain unaddressed in prior automated seizure detection and classification studies: (1) representing non-Euclidean data structure in EEGs, (2) accurately classifying rare seizure types, and (3) lacking a quantitative interpretability approach to measure model ability to localize seizures. In this study, we address these challenges by (1) representing the spatiotemporal dependencies in EEGs using a graph neural network (GNN) and proposing two EEG graph structures that capture the electrode geometry or dynamic brain connectivity, (2) proposing a self-supervised pre-training method that predicts preprocessed signals for the next time period to further improve model performance, particularly on rare seizure types, and (3) proposing a quantitative model interpretability approach to assess a model's ability to localize seizures within EEGs. When evaluating our approach on seizure detection and classification on a large public dataset, we find that our GNN with self-supervised pre-training achieves 0.875 Area Under the Receiver Operating Characteristic Curve on seizure detection and 0.749 weighted F1-score on seizure classification, outperforming previous methods for both seizure detection and classification. Moreover, our self-supervised pre-training strategy significantly improves classification of rare seizure types. Furthermore, quantitative interpretability analysis shows that our GNN with self-supervised pre-training precisely localizes 25.4% focal seizures, a 21.9 point improvement over existing CNNs. Finally, by superimposing the identified seizure locations on both raw EEG signals and EEG graphs, our approach could provide clinicians with an intuitive visualization of localized seizure regions.

研究动机与目标

• 将 EEG 表示为图以捕捉非欧几里得的时空结构。
• 提出两种 EEG 图构造（基于距离和基于相关性）以反映几何结构和动态连接性。
• 开发自监督预训练任务以提升性能，尤其是罕见癫痫类型。
• 引入定量可解释性度量，以在 EEG 中定位癫痫发作。

提出的方法

• 将 EEG 片段表示为图，节点为通道，边反映几何结构（距离图）或功能连接性（相关性图）。
• 将扩散卷积与 DCGRU 单元用于时空建模，扩展 Diffusion Convolutional Recurrent Neural Network (DCRNN) 以处理 EEG 图。
• 通过预测下一个 12 秒的预处理 EEG 片段来应用自监督预训练，以学习与任务无关的表示。
• 将 EEG 信号预处理为 FFT 的对数振幅；在检测/分类任务中使用不重叠的 12 秒（60 秒）窗口。
• 使用基于遮挡的可解释性，结合覆盖率和定位度量来量化癫痫定位能力。
• 比较图变体（距离与相关性）并评估自监督相对于基线的影响。

实验结果

研究问题

• RQ1 基于图的 EEG 表征能否在癫痫检测和分类方面优于基于 CNN 的方法？
• RQ2 自监督预训练是否提升性能，尤其是罕见癫痫类型？
• RQ3 模型是否能提供 EEG 中癫痫发作的定量定位，以帮助临床可解释性？

主要发现

• 模型在大型公开 EEG 数据集上实现癫痫检测 0.875 AUROC，癫痫分类加权 F1 分数 0.749。
• 自监督预训练显著提升性能，尤其是罕见癫痫类型的显著收益（例如对强直发作的显著准确率提升）。
• 基于相关性的图在定位局灶性癫痫方面优于基于距离的图，尤其是结合自监督预训练时。
• 基于遮挡的可解释性显示高显著性与已知癫痫区域一致，定位度量也显著优于 CNN 基线。
• 该方法在原始 EEG 信号和 EEG 图上的癫痫定位可视化很精确，支持临床应用。