15.03.2023

Neue Veröffentlichung

Neue Veröffentlichung Analyse von EEG und MEG Zeitreihendaten mittels neuronaler Netze


Zusammenfassung

Die Analyse von Zeitreihendaten wie EEG oder MEG ist aufgrund der verrauschten, hochdimensionalen und patientenspezifischen Signale eine Herausforderung. Es hat sich gezeigt, dass Deep-Learning-Methoden bei der Analyse von Zeitreihendaten besser geeignet sind als Methoden des flachen Lernens, die handgefertigte und oft subjektive Merkmale verwenden. Insbesondere rekurrente tiefe neuronale Netze (RNN) gelten als geeignet, um solche kontinuierlichen Daten zu analysieren. Frühere Studien haben jedoch gezeigt, dass sie rechenintensiv und schwer zu trainieren sind. Im Gegensatz dazu wurden Feed-Forward-Netze (FFN) bisher meist in Kombination mit manuell erstellten und problemspezifischen Merkmalsextraktionen, wie z.B. der Kurzzeit-Fourier- und der diskreten Wavelet-Transformation, betrachtet. Gesucht werden leicht anwendbare Methoden, die Rohdaten effizient analysieren, so dass keine problemspezifischen Anpassungen erforderlich sind. In dieser Arbeit vergleichen wir systematisch RNN- und FFN-Topologien sowie fortgeschrittene architektonische Konzepte auf mehreren Datensätzen mit der gleichen Datenvorverarbeitungspipeline. Wir untersuchen das Verhalten dieser Ansätze, um Forschern, die sich mit der automatisierten Analyse von EEG-Zeitreihendaten befassen, ein Update und einen Leitfaden an die Hand zu geben. Um sicherzustellen, dass die Ergebnisse aussagekräftig sind, ist es wichtig, die vorgestellten Ansätze unter Beibehaltung desselben Versuchsaufbaus zu vergleichen, was unseres Wissens bisher noch nie gemacht wurde. Diese Arbeit ist ein erster Schritt zu einem faireren Vergleich verschiedener Methoden mit EEG-Zeitreihendaten. Unsere Ergebnisse zeigen, dass eine rekurrente LSTM-Architektur mit Aufmerksamkeit bei weniger komplexen Aufgaben am besten abschneidet, während das temporale Faltungsnetzwerk (TCN) alle rekurrenten Architekturen bei dem komplexesten Datensatz mit einer Verbesserung der Genauigkeit um 8,61% übertrifft. Im Allgemeinen haben wir festgestellt, dass der Aufmerksamkeitsmechanismus die Klassifizierungsergebnisse von RNNs erheblich verbessert. Auf dem Weg zu einem leichtgewichtigen und online lernfähigen Ansatz haben wir festgestellt, dass Extreme Learning Machines (ELM) vergleichbare Ergebnisse für die weniger komplexen Aufgaben liefern.

Walther D, Viehweg J, Haueisen J, Mäder P:

A Systematic Comparison of Deep Learning Methods for EEG Time Series Analysis.
Frontiers in Neuroinformatics, 17:1067095, 2023


https://doi.org/10.3389/fninf.2023.1067095

Überblick über den Ablauf bei der Verarbeitung von EEG-Daten: (1) Signalerfassung - EEG-Daten werden aufgezeichnet, (2) Vorverarbeitung - aufgezeichnete Daten werden vorverarbeitet und Rauschen wird durch Filter reduziert, (3) Fensteraufteilung - die resultierenden Wellenformen werden in Fenster gleicher Größe aufgeteilt, die sich überlappen können, und (4) Modelltraining auf den gefensterten und vorverarbeiteten Wellenformen.