Comparison of CNN techniques for classifying epileptic seizure types by means of EEG data

Rivera Macías, Manuel José (2021). Comparison of CNN techniques for classifying epileptic seizure types by means of EEG data. Thesis (Master thesis), E.T.S. de Ingenieros Informáticos (UPM).

Description

Title: Comparison of CNN techniques for classifying epileptic seizure types by means of EEG data
Author/s:
  • Rivera Macías, Manuel José
Contributor/s:
  • Corcho García, Óscar
  • Teruel Martínez, Miguel Ángel
Item Type: Thesis (Master thesis)
Masters title: Inteligencia Artificial
Date: May 2021
Subjects:
Faculty: E.T.S. de Ingenieros Informáticos (UPM)
Department: Inteligencia Artificial
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (2MB) | Preview

Abstract

La epilepsia es un trastorno neurológico con una prevalencia de 6.38 por cada 1000 personas. Un diagnóstico preciso de los tipos de convulsiones del paciente ayuda a proporcionar un tratamiento correcto y, por lo tanto, a mejorar su calidad de vida. El electroencefalograma (EEG), que consiste en una serie de electrodos colocados en el cuero cabelludo del paciente, se ha utilizado en el estudio de la epilepsia desde los años 40. La alta dimensionalidad, no linealidad y no estacionariedad de las señales de EEG, hacen que solo médicos altamente capacitados puedan realizar una interpretación correcta de estas señales, siendo además una tarea que requiere gran cantidad de tiempo. En los últimos años, el aprendizaje profundo, o Deep Learning en inglés (DL) se ha convertido en una poderosa herramienta para procesar datos de EEG, siendo ampliamente utilizado en el diagnóstico de trastornos mentales y, en particular, en la detección de convulsiones. Por el contrario, solo algunos estudios se han realizado para clasificar automáticamente el tipo de convulsión. En este trabajo, proponemos los siguientes dos enfoques para llevar a cabo la tarea de clasificación del tipo de convulsión: (i) red 1D para forma de onda, que procesa señales de EEG en forma de onda mediante convoluciones 1D, y (ii) red 2D para espectrograma donde los espectrogramas precalculados se procesan con convoluciones 2D. Ambas arquitecturas se construyen utilizando convoluciones en profundidad separables, que (i) realizan una extracción automática de características sobre cada canal de EEG de manera independiente, y (ii) aumenta la eficiencia al disminuir tanto el número de parámetros necesarios como el número de multiplicaciones, por un factor de 7, en comparación con las convoluciones tradicionales, y (iii) evita el sobreajuste debido al bajo número de parámetros. Además, nuestra red 1D para forma de onda utiliza la técnica de tasa de dilatación para obtener un campo visual más amplio. Hemos probado nuestras arquitecturas con el conjunto de datos de convulsiones del Hospital de la Universidad de Temple (TUSZ por sus siglas en inglés), donde se ha realizado una clasificación automática de 7 tipos de convulsiones. Las grabaciones EEG se dividieron en trozos llamados frames, generándose más de 300k frames. Los resultados de la clasificación fueron los siguientes: se logró una métrica F1 ponderada de 0.599 ± 0.052 y 0.611 ± 0.037 en la red 2D para espectrograma y en la red 1D para forma de onda, respectivamente. Estos resultados fueron obtenidos usando validación cruzada de factor 3 con una separación por paciente. Estos resultados han superado el actual estado del arte. Por otro lado, se realizó un estudio para conocer cómo variaba la métrica F1 ponderada al limitar la longitud de las grabaciones EEG. Encontramos que, usando solo 4s, se logró un F1 ponderado de 0.575 ± 0.039, y con 37.75s se alcanzó un valor de 0.607 ± 0.038, siendo éste valor muy cercano al mejor logrado, y usando solo el 36.71% de la longitud total de las grabaciones. Respecto a los resultados de la clasificación por tipo de convulsión, la red 1D para forma de onda es capaz de distinguir entre los tipos de ataques ABSZ, FNSZ y GNSZ, mientras que la red 2D para espectrograma, logra sus mejores resultados sobre las clases FNSZ y GNSZ. Los resultados en las clases CPSZ, SPSZ y TCSZ contienen una alta dispersión. La clase TNSZ no se ha podido clasificar debido a la falta de datos. El reducido tamaño y la eficiencia de la red 1D para forma de onda, hacen de esta arquitectura una candidata para ser utilizada en dispositivos de bajo costo y con bajos recursos computacionales, pudiendo ayudar a los médicos en el diagnóstico de tipos de ataques.---ABSTRACT---Epilepsy is a neurological disorder with a prevalence of 6.38 per 1000 persons. An accurate diagnosis of the patient’s seizures types helps to provide a correct treatment, and hence improving the quality of life of the patient. Electroencephalogram (EEG), which consists in an array of electrodes placed in the patient scalp, has been used in the studying of epilepsy since 40s. The high dimensionality, non-linearity and non-stationarity of the EEG signals, make that only highly trained doctors can make a proper interpretation of these signals, besides being a time consuming task. In the last years, Deep learning (DL) has become a powerful tool to process EEG data, being widely used in the diagnosis of mental disorders, and in seizure detection in particular. In contrast, only few studies has been done in the seizure type classification task. In this work, we propose the following two approaches to carry out the seizure type classification task: (i) network 1D waveform, which processes waveform EEG signals by using 1D convolutions, and (ii) network 2D spectrogram where pre-computed spectrograms are processed with 2D convolutions. Both of these architectures are built by using separable depthwise convolutions, which (i) unlock an automatic feature extraction over each EEG channel in an independent manner, (ii) increases the efficiency by decreasing both the number of necessary parameters and the multiplication operations, in a x7 factor, compared to traditional convolutions, and (iii) prevents overfitting due to the low number of parameters. Additionally, our network 1D waveform makes use of the dilation rate technique to obtain a widely visual field. We have tested our architectures with the Temple University Hospital Seizure (TUSZ) dataset, where an automatic 7 seizure types classification has been performed. The EEG records were splitted into chunks called frames, thus producing more than 300k frames. The classification results are as follows: a weighted F1 score of 0.599 ± 0.052 and 0.611 ± 0.037 was achieved by network 2D spectrogram and network 1D waveform, by using an intra-patient 3-fold cross-validation. This results outperform the current state-of-the-art ones. A study was performed to know how the weighted F1 metric varying by limiting the length of the EEG records. We have found that by only employing 4s, a weighted F1 of 0.575 ± 0.039 was achieved, and with 37.75s, a value of 0.607 ± 0.038 was attained, which is very close to the best performance achieved, and only using the 36.71% of the total length of the records. Regarding the classification results per seizure type, the network 1D waveform is able to distinguish among ABSZ, FNSZ and GNSZ seizure types, while network 2D spectrogram achieves the best results over FNSZ and GNSZ classes. Results on CPSZ, SPSZ and TCSZ classes involve a high dispersion. TNSZ class has not been able to classify due to the lack of data for this class. The low size and the efficiency of the network 1D waveform, makes this architecture a candidate to be used in low-cost and low-resources devices, being able to help to the doctors in the diagnosis of seizure types.

More information

Item ID: 67302
DC Identifier: https://oa.upm.es/67302/
OAI Identifier: oai:oa.upm.es:67302
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 02 Jun 2021 06:43
Last Modified: 02 Jun 2021 06:43
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM