Modeling Multivariate Biosignals With Graph Neural Networks and Structured State Space Models

要約

【タイトル】グラフニューラルネットワークと構造化状態空間モデルを用いた多変量バイオシグナルのモデリング

【要約】
・多変量バイオシグナルは、脳波、多変量ポリグラフ、心電図などの多くの医学分野で普及しています。
・多変量バイオシグナルの空間時間的依存関係をモデリングすることは難しく、長期間の時間的依存関係や電極間の複雑な空間的相関が存在するためです。
・これらの問題に対処するために、多変量バイオシグナルを時間依存グラフとして表現し、S4merと呼ばれる汎用のグラフニューラルネットワークアーキテクチャを提案しています。
・具体的には、(1)構造化状態空間アーキテクチャを使用して、多変量バイオシグナルの長期的な時間的依存関係を捉え、(2)グラフ構造学習レイヤーをGraphS4merに提案して、データ内の動的に変化するグラフ構造を学習します。
・我々の提案するモデルを3つの異なるバイオシグナル分類タスクで評価し、GraphS4merが既存のモデルよりも優れた性能を持つことを示しました。
・具体的には、(1)脳波からの発作検出は、以前のGNNモデルよりもAUROCで3.1ポイント向上し、自己教師付きプレトレーニングを行ったGNNモデルよりも優れていました。
・(2)多変量ポリグラフからの睡眠段階分類は、既存の睡眠段階モデルと比較してマクロF1スコアで4.2ポイントの改善がありました。
・(3)12誘導心電図の分類では、従来の最先端モデルよりもマクロF1スコアで2.7ポイント優れていました。

要約(オリジナル)

Multivariate biosignals are prevalent in many medical domains, such as electroencephalography, polysomnography, and electrocardiography. Modeling spatiotemporal dependencies in multivariate biosignals is challenging due to (1) long-range temporal dependencies and (2) complex spatial correlations between the electrodes. To address these challenges, we propose representing multivariate biosignals as time-dependent graphs and introduce GraphS4mer, a general graph neural network (GNN) architecture that improves performance on biosignal classification tasks by modeling spatiotemporal dependencies in biosignals. Specifically, (1) we leverage the Structured State Space architecture, a state-of-the-art deep sequence model, to capture long-range temporal dependencies in biosignals and (2) we propose a graph structure learning layer in GraphS4mer to learn dynamically evolving graph structures in the data. We evaluate our proposed model on three distinct biosignal classification tasks and show that GraphS4mer consistently improves over existing models, including (1) seizure detection from electroencephalographic signals, outperforming a previous GNN with self-supervised pre-training by 3.1 points in AUROC; (2) sleep staging from polysomnographic signals, a 4.1 points improvement in macro-F1 score compared to existing sleep staging models; and (3) 12-lead electrocardiogram classification, outperforming previous state-of-the-art models by 2.7 points in macro-F1 score.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI