SincVAE: a New Approach to Improve Anomaly Detection on EEG Data Using SincNet and Variational Autoencoder

要約

過去数十年にわたって、脳波検査 (EEG) モニタリングは、神経障害の診断、特に発作の検出にとって極めて重要なツールとなっています。
てんかんは、世界中で最も蔓延している神経疾患の 1 つであり、人口の約 1% が罹患しています。
これらの患者は重大なリスクに直面しており、日常生活における信頼性の高い継続的な発作モニタリングの必要性が強調されています。
文献で説明されている手法のほとんどは、教師あり機械学習 (ML) 手法に依存しています。
ただし、てんかん性 EEG 波形の変化を正確にラベル付けするという課題により、これらのアプローチの使用が複雑になります。
さらに、発作イベントが稀であるため、データ内に大きな不均衡が生じ、教師あり学習アプローチでの予測パフォーマンスの低下につながる可能性があります。
代わりに、半教師ありアプローチを使用すると、発作を含まないデータのみでモデルをトレーニングできるため、データの不均衡に関連する問題を回避できます。
この研究では、SincVAEと呼ばれる新しい深層学習ベースの方法を利用して、EEGデータからてんかん発作を検出するための半教師ありアプローチを提案しています。
この提案には、変分オートエンコーダ (VAE) の最初の層としてバンドパス フィルターのアドホック アレイの学習が組み込まれており、情報帯域周波数が識別および分離される前処理段階が不要になる可能性があります。
結果は、SincVAE が EEG データにおける発作検出を改善し、発作前段階での初期発作を特定できるだけでなく、発作後段階を通じて患者をモニタリングできることを示しています。

要約(オリジナル)

Over the past few decades, electroencephalography (EEG) monitoring has become a pivotal tool for diagnosing neurological disorders, particularly for detecting seizures. Epilepsy, one of the most prevalent neurological diseases worldwide, affects approximately the 1 \% of the population. These patients face significant risks, underscoring the need for reliable, continuous seizure monitoring in daily life. Most of the techniques discussed in the literature rely on supervised Machine Learning (ML) methods. However, the challenge of accurately labeling variations in epileptic EEG waveforms complicates the use of these approaches. Additionally, the rarity of ictal events introduces an high imbalancing within the data, which could lead to poor prediction performance in supervised learning approaches. Instead, a semi-supervised approach allows to train the model only on data not containing seizures, thus avoiding the issues related to the data imbalancing. This work proposes a semi-supervised approach for detecting epileptic seizures from EEG data, utilizing a novel Deep Learning-based method called SincVAE. This proposal incorporates the learning of an ad-hoc array of bandpass filter as a first layer of a Variational Autoencoder (VAE), potentially eliminating the preprocessing stage where informative band frequencies are identified and isolated. Results indicate that SincVAE improves seizure detection in EEG data and is capable of identifying early seizures during the preictal stage as well as monitoring patients throughout the postictal stage.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google