Epileptic Seizure Prediction for Multi-channel Scalp Electroencephalogram with 3D-Convolutional Neural Networks

Abstract

뇌파 검사 (electroencephalogram, EEG)는 뇌전증을 연구하고 뇌의 전기적 활동의 변화를 포착하여 발작을 판단하는 방법으로 널리 사용되고 있다. 이로 인해, 뇌파 검사를 이용하여 발작을 예측하는 다양한 방법론들이 제안되어 왔다. 그 중에서도 기계 학습의 발전으로 딥러닝을 이용한 방법들이 좋은 결과들을 선보이고 있다. 딥러닝을 이용한 대부분의 발작예측방법은 평상 시의 뇌파와 발작 전의 뇌파를 구분하는 지도학습을 사용한다. 평상 시의 뇌파와 발작 전의 뇌파를 구별하기 위해, 뇌파 dataset으로부터 각각의 뇌파 특징을 추출하는 과정이 수행된다. 하지만 대부분의 방법들은 높은 감도와 낮은 잘못된 예측율을 얻기 위해, 각 환자마다 독립적으로 수행되는 특징 추출 및 또는 맞춤형 특징 추출에 의존했다. 이러한 방법들은 일반화할 수 없으며 새로운 뇌파측정 데이터에서 높은 감도와 낮은 잘못된 예측율을 얻기 위해 방법론의 수정이 불가피하게 된다. 따라서 본 논문에서는 다 채널 뇌파를 기반으로 높은 감도와 낮은 잘못된 예측율을 얻기 위한 뇌파 특징 추출 및 구분 방법을 제안한다. 제안하는 방법은 모든 환자에 동일한 특징 추출과정을 적용할 수 있는 장점을 가지고 있다.

제안하는 알고리즘은 각 환자에 대한 최적화된 뇌파특징을 추출하기 위해 3차원 합성곱 신경망을 도입하였다. 3차원 합성곱 신경망은 2차원 합성곱신경망에서 이용되는 뇌파정보를 기반으로, 뇌파 측정에 사용된 각 전극의 공간적 위치가 갖는 뇌파의 특징을 고려하는 방법으로서, 기존 심층 학습 알고리즘의 사용을 확대하였다. 뇌파 측정에 사용된 각 전극의 공간적 위치가 갖는 뇌파의 특징은 육안으로 구별하기 어려운 평상 시의 뇌파와 발작 전의 뇌파를 구별하는데 긍정적인 효과를 나타내었다. 높은 감도와 낮은 잘못된 예측을 위해 제안하는 알고리즘은 추가적으로 합성곱 신경망 이전의 뇌파 전처리 방법으로서 평상 시의 뇌파와 발작 시의 뇌파에서의 특징이 상대적으로 유사한 전극의 데이터를 제외한 학습방법론을 제안하였다.

제안하는 방법은 10초 동안 뇌파데이터의 특징을 관찰 후, 평상 시의 뇌파인지 발작 전의 뇌파인지를 판단하였다. 본 논문에서 제안하는 방법론은 기존의 알고리즘보다 낮은 잘못된 예측을 갖으면서, 최대 3% 향상된 감도를 나타내었고, 서울대학교 병원의 데이터내에서도 91.1%의 높은 감도와 0.103/h의 낮은 잘못된 예측율을 나타내었다; The electroencephalogram (EEG) is the most prominent means to study epilepsy and capture changes in electrical brain activity that could declare an imminent seizure. Many outstanding studies have reported great results in providing sensible indirect (warning systems) or direct (interactive neural stimulation) control over refractory seizures, some of which achieved high performance. However, to achieve high sensitivity and a low false prediction rate, many of these studies relied on handcraft feature extraction and/or tailored feature extraction, which is performed for each patient independently. This approach, however, is not generalizable and requires significant modifications for each new patient within a new dataset.

In this work, Three Dimensional Convolutional neural networks (CNN) are introduced in epileptic seizure prediction using EEG signals, expanding the use of deep learning algorithms with convolutional neural networks. We use the short-time Fourier transform on 30 sec EEG windows to extract information in both the frequency domain and the time domain. This method has the advantage of extracting EEG features faster than the time domain. The algorithm automatically generates optimized features for each patient to classify preictal and interictal segments. The method can be applied to any other patient from any dataset without the need for manual feature extraction.

The proposed approach achieves the sensitivity of 90.8% and 91.1% and a false prediction rate of 0.134/h and 0.101/h on the Boston Children’s Hospital-MIT scalp EEG dataset, and the Seoul National University Hospital dataset, respectively.