arXiv:2310.18767

Enhancing Epileptic Seizure Detection with EEG Feature Embeddings

Arman Zarei, Bingzhao Zhu, Mahsa Shoaran

제출 2023-10-28

원문 초록

Epilepsy is one of the most prevalent brain disorders that disrupts the lives of millions worldwide. For patients with drug-resistant seizures, there exist implantable devices capable of monitoring neural activity, promptly triggering neurostimulation to regulate seizures, or alerting patients of potential episodes. Next-generation seizure detection systems heavily rely on high-accuracy machine learning-based classifiers to detect the seizure onset. Here, we propose to enhance the seizure detection performance by learning informative embeddings of the EEG signal. We empirically demonstrate, for the first time, that converting raw EEG signals to appropriate embeddings can significantly boost the performance of seizure detection algorithms. Importantly, we show that embedding features, which converts the raw EEG into an alternative representation, is beneficial for various machine learning models such as Logistic Regression, Multi-Layer Perceptron, Support Vector Machines, and Gradient Boosted Trees. The experiments were conducted on the CHB-MIT scalp EEG dataset. With the proposed EEG feature embeddings, we achieve significant improvements in sensitivity, specificity, and AUC score across multiple models. By employing this approach alongside an SVM classifier, we were able to attain state-of-the-art classification performance with a sensitivity of 100% and specificity of 99%, setting a new benchmark in the field.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2508.04899v3cs.LG공통 태그 Specificity, Sensitivity

자동 신생아 발작 감지의 정직하고 신뢰할 수 있는 평가 및 전문가 동등성 검정

Honest and Reliable Evaluation and Expert Equivalence Testing of Automated Neonatal Seizure Detection

신생아 발작 감지를 위한 머신러닝 모델의 신뢰할 수 있는 평가는 임상 도입을 위해 매우 중요합니다. 현재의 관행은 일관성이 없고 편향된 지표에 의존하는 경우가 많아 모델 간 비교 가능성과 해석 가능성을 저해합니다. AI 성능에 대한 전문가 수준의 주장은 엄격한 검증 없이 제기되는 경우가 빈번하여 신뢰성에 대한 우려를 낳고 있습니다. 본 연구는 일반적인 성능 지표를 체계적으로 평가하고 신생아 발작 감지의 특정 과제에 맞춘 모범 사례를 제안하는 것을 목표로 합니다. 실제 및 합성 발작 주석을 활용하여, 다양한 클래스 불균형, 평가자 간 일치도, 평가자 수 조건에서 표준 성능 지표, 합의 전략, 인간 전문가 수준 동등성 검정을 평가했습니다. 매튜스 상관계수(Matthews correlation coefficient)와 피어슨 상관계수(Pearson's correlation coefficient)는 클래스 불균형 상황에서 성능을 반영하는 데 있어 곡선하면적(AUC)보다 우수한 성능을 보였습니다. 합의 유형은 평가자 수 및 평가자 간 일치도 수준에 민감합니다. 인간 전문가 수준 동등성 검정 중에서는 플라이스 카파(Fleiss k)를 사용하는 다중 평가자 튜링 테스트(multi-rater Turing test)가 전문가 수준의 AI 성능을 가장 잘 포착했습니다. 저자들은 (1) 최소 하나의 균형 지표, (2) 민감도, 특이도, 양성 예측도(PPV), 음성 예측도(NPV), (3) 플라이스 카파를 사용한 다중 평가자 튜링 테스트 결과, (4) 별도 검증 셋(held-out validation set)에서의 상기 항목 전체를 보고할 것을 권장합니다. 제안된 프레임워크는 신생아 발작 감지를 위한 AI 방법론에 대한 철저하고 정직한 평가를 가능하게 함으로써 임상 검증의 중요한 전제 조건을 제공합니다.

arXiv:2607.21384v1cs.AI공통 태그 EEG, Seizure Detection

일반화 가능한 EEG 표현 학습을 위한 멀티모달 사전학습

Multimodal Pretraining for Generalizable EEG Representation Learning

간질(epilepsy)에 사용되는 뇌전도(EEG) 모델은 특정 데이터셋과 태스크에 한정되는 경우가 많다. 이러한 제한적 접근은 서로 다른 데이터셋이나 다양한 상황에 모델을 적용하기 어렵게 만들 수 있다. 그러나 파운데이션 모델(foundation model)과 자기지도 학습(self-supervised learning)에 관한 최근 연구들은, 적응 가능한 EEG 백본(backbone)이 다양한 EEG 관련 태스크를 지원할 수 있음을 시사한다. 본 연구에서는 Mamba 아키텍처 기반의 원시 신호 인코더, 시-주파수(time-frequency) 데이터용 Vision Transformer(ViT) 스타일 인코더, 텍스트용 경량 인코더를 공유 임베딩 공간 내에서 결합한 멀티모달 EEG 파운데이션 모델을 개발했다. 사전학습 과정은 마스크드 모델링(masked modeling), 교차 뷰(cross-view) 대조 정렬(contrastive alignment), 시간적 일관성 손실(temporal consistency loss) 등 여러 혁신적 기법에 기반한다. 이러한 방법들은 레이블 데이터 없이 풍부하고 발작(seizure) 관련 표현을 생성하도록 설계되었다. 사전학습된 모델의 효과와 일반화 성능을 평가하기 위해 표준 CHB-MIT 발작 검출 벤치마크와 추가 발작 검출 데이터셋에서 파인튜닝(fine-tuning)을 수행하고, 다양한 모델 변형을 비교하는 광범위한 실험을 진행했다. 표준 CHB-MIT 분할(split)에서 최고의 단일 모델은 AUROC 0.874를, 앙상블 변형은 AUROC 0.878을 달성하여 이 벤치마크에서 최첨단(state-of-the-art) 성능을 나타냈다. 표준 train-test 분할 외에도, 기존 EEG 발작 모델링 연구에서 드물게 보고되는 leave-one-subject-out(LOSO) 프로토콜 하에서 성능을 평가했으며, 이는 환자 독립적(patient-independent) 발작 검출의 어려움을 부각한다. 19명의 피험자에 걸친 평균 LOSO 균형 정확도(balanced accuracy)는 0.558이었다. 데이터셋과 평가 설정 전반에 걸쳐, 우리의 멀티모달 파운데이션 모델은 견고한 발작 검출과 새로운 발작 검출 시나리오로의 간편한 적응을 가능하게 했으며, 해석 가능한 발작 국소화(seizure localization)도 지원했다.

arXiv:2607.14314v1cs.LG공통 태그 EEG, Seizure Detection

NeuroGRIP: 지식 기반 EEG 발작 진단을 위한 검색-증강 그래프 정제

NeuroGRIP: Retrieval-Augmented Graph Refinement for Knowledge-Grounded EEG Seizure Diagnosis

EEG 신호를 이용한 발작 진단은 복잡한 신경 역학과 채널 간 모델링에서의 허위 연결로 인해 중요하면서도 지속적으로 어려운 과제이다. 공간-시간 그래프 신경망(spatial-temporal graph neural networks, STGNN)은 EEG 뇌 네트워크 표현 학습(representation learning)을 발전시켰지만, 순전히 데이터 기반 특성으로 인해 결과 그래프 구조는 임상적 타당성이 낮고 해석 가능성(interpretability)이 제한적이다. 이를 위해 우리는 외부 의학 지식을 통합하여 노이즈가 있는 EEG 그래프를 보정하는 검색-증강 그래프 정제(retrieval-augmented graph refinement) 프레임워크인 NeuroGRIP을 제안한다. 먼저 권위 있는 임상 가이드라인에서 파생된 대규모 도메인 특화 지식 베이스(knowledge base)를 구축한다. 대규모 언어 모델(LLM)을 활용하여 구조화된 생의학적 개체와 관계를 추출해 텍스트 지식 그래프(KG)를 형성하며, 이는 임상적 사전(prior)의 외부 지식 원천으로 작용한다. 본 프레임워크는 STGNN이 생성한 EEG 노드 임베딩(embedding)을 KG의 의미 공간(semantic space)으로 투영함으로써 정렬 인식(alignment-aware) 쿼리 구성을 수행한다. 의미적 쿼리는 FAISS 기반 유사도 검색(similarity search)을 통해 지식 삼원조(triplets) 위에서 실행되어 관계 증거(relation evidence)를 검색한다. 각 예측 엣지(edge)에는 검색된 유사도, 관계 유형, 출처 신뢰도(source reliability)에 기반한 신뢰도 점수(confidence score)가 부여되어, 원래 예측 그래프에서 의학적으로 타당하지 않은 엣지를 제거(prune)할 수 있다. TUSZ와 CHB-MIT에 대한 광범위한 실험은 NeuroGRIP이 발작 검출 정확도를 향상시킬 뿐만 아니라, 각 예측을 임상적으로 검증된 지식에 그라운딩(grounding)함으로써 해석 가능성을 높인다는 것을 보여준다. 본 연구는 검색-증강 추론(retrieval-augmented reasoning)을 통해 뇌 역학과 외부 의학 전문 지식을 긴밀히 결합한 최초의 통합 프레임워크를 제공하며, 지식 강화형 설명 가능한 임상 진단의 길을 연다. 코드는 https://github.com/LincanLi-X/NeuroGRIP 에서 이용할 수 있다.

arXiv:2607.11578v1cs.LG공통 태그 EEG, Seizure Detection

DiffEEG: EEG 일반 표현 학습을 위한 자기지도 디노이징 확산 모델

DiffEEG: A Self-Supervised Denoising Diffusion Model for Learning EEG Generic Representations

EEG 기반 발작 감지를 위한 심층 학습은 두 가지 핵심 과제에 직면해 있다: 심각한 어노테이션 부족과 극단적인 클래스 불균형으로, 발작 발현(ictal) 이벤트는 임상 기록의 10% 미만을 차지한다. 우리는 9.6M 매개변수의 자기지도 파운데이션 모델인 DiffEEG를 제안한다. 이 모델은 디노이징 확산 사전학습과 강화학습(RL) 기반 미세조정을 통해 두 가지 한계를 모두 해결한다. Temple University Hospital Seizure Corpus(TUHSZ)의 130만 개 비레이블 세그먼트로 사전학습된 DiffEEG는 멀티헤드 셀프 어텐션을 갖춘 1D U-Net을 통해 일반적인 신경 표현을 학습한다. 다운스트림 적응을 위해, 강화된 결정 층은 정책 그래디언트 최적화를 사용하여 F1-score를 직접 최대화하며, 전체 정확도보다 희귀 발작 이벤트에 대한 민감도를 우선시한다. 엄격한 환자별 평가(279명, Leave-One-Fold-Out)에서 DiffEEG는 4-클래스 발작 하위유형 분류에서 61% 정확도와 59% F1을 달성하고, 이진 감지에서 81% 정확도와 85% 가중 F1을 달성하며, 극단적인 불균형(6.7% 유병률)에도 불구하고 임상적으로 실용 가능한 발작 재현율(59%)을 유지한다. 세그먼트 수준 평가에서는 97.6%의 정확도 상한을 확립하여 강력한 아키텍처 용량을 확인한다. DiffEEG는 확산 기반 사전학습과 메트릭 인식 강화학습의 결합이 최소한의 레이블 데이터 요구사항으로 임상 배포 가능한 발작 모니터링을 가능하게 함을 입증한다.

arXiv:2606.24944v1eess.IV공통 태그 Specificity, Sensitivity

신뢰할 수 있는 백혈병 검출을 위한 누출 인식 비교 벤치마크: 머신러닝, 심층 학습 및 트랜스포머 모델

A Leakage-Aware Comparative Benchmark of Machine Learning, Deep Learning, and Transformer Models for Reliable Leukemia Detection

말초 혈액 도말 이미지에서 급성 림프모구 백혈병(ALL)을 자동 분류하는 연구들은 C-NMC 2019 데이터셋에서 거의 완벽한 성능을 보고하는 경우가 많다. 본 연구는 이러한 결과가 무작위 이미지 수준 분할로 인한 환자 수준 데이터 누출에 의해 부풀려질 수 있음을 보인다. 이 경우 동일 피험자의 세포가 학습 폴드와 테스트 폴드 양쪽에 모두 등장할 수 있다. 우리는 엄격한 피험자 비중복 프로토콜 하에 누출 인식 벤치마크를 수립하여 LightGBM, RBF-SVM, EfficientNet-B0, EfficientNet-B1, ViT-Tiny를 비교한다. 모델은 73명의 피험자로 구성된 세 개의 피험자 비중복 폴드를 사용하여 개발되었으며, 환자 중복이 전혀 없는 28명의 미관측 피험자로부터 수집한 1,867장의 이미지로 구성된 외부 예비 단계 테스트 세트에서 평가하였다. 판별 성능 외에도, 기대 캘리브레이션 오차(ECE), 브라이어 점수, 온도 스케일링을 이용하여 캘리브레이션을 평가하였다. 공정한 평가 하에서 EfficientNet-B1이 AUROC 0.913, 민감도 0.87, 특이도 0.80, 캘리브레이션 후 ECE 0.024로 최고 성능을 달성하였다. 동결 특징(frozen-feature) 분류기와 ViT-Tiny는 높은 민감도를 보이나 특이도가 낮아 악성 클래스를 과도하게 예측하는 경향을 나타낸다. 무작위 분할 대 피험자 비중복 분할 절제 연구(ablation)에 따르면, 보수적인 동결 특징 설정에서도 무작위 분할이 AUROC를 약 0.04 부풀리는 것으로 나타났다. 이러한 결과는 C-NMC 2019에서의 이미지 수준 평가에 대한 주의를 촉구하며, 향후 연구를 위한 재현 가능한 캘리브레이션 인식 벤치마크를 제공한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.