| 研究実績の概要 |
本年は、主に深層学習を用いたてんかん発作時の頭蓋内脳波波形の分類と、そのモデルにより抽出された特徴を抽出することを行った。Epi-Netという深層学習モデルを作成して、波形の特徴としてpowerとPhase amplitude couplingを用いた場合の精度と比較して、分類精度が優位に高いことを確認した上で、さらに特徴の抽出を行った。これには、Integrated Gradientと呼ばれる手法を利用した。この手法は本来、画像の分類を行った深層学習モデルが画像のどの部分に着目して、分類結果を出力したかを解析するための手法である。この手法はさらに、微分可能な範囲での拡張で、波形から周波数帯域ごとのpowerについての特徴を抽出できるように手法として拡張されているが、我々はこの手法をさらに改変して利用して、結果がpowerの大きさに左右されないようにした。この新しい特徴抽出手法を用いることで発作時波形に特徴的なのは、どの帯域のpowerの上昇と低下なのかを明らかにした。また単に分類に関する各周波数帯域の寄与を表すだけでなく、これを利用した新たな発作時波形を特徴付ける指標としてdata-driven epileptogenicity indexという指標を作成した。この指標は波形分類制度が、これまでの代表的指標であるpower,phase amplitude coupling,energy ratioなどよりも分類精度が高くなることを示した。単施設のretrospectiveなデータでの解析結果ではあるが、この結果をJournal of Neural Engineeringに公表した。
|
