Comparison of Dimension Reduction Methods for EEG Seizure Detection Using Autonomous AI-Driven Optimization

Technische Samenvatting: Vergelijking van Dimensiereductiemethoden voor EEG-epilepsie-detectie middels Autonome AI-gestuurde Optimalisatie

Probleemstelling
Langdurige elektro-encefalografische (EEG) monitoring genereert datavolumes die de capaciteit voor handmatige klinische beoordeling overstijgen, wat geautomatiseerde detectie van epileptische aanvallen noodzakelijk maakt voor schaalbare diagnostiek. Hoewel onderzoek vaak de prioriteit geeft aan de classifier-architectuur, is de keuze van de input-representatie in de upstream fase even kritisch; elke onderscheidende informatie die tijdens de extractie van kenmerken verloren gaat, kan niet meer worden hersteld door downstream classifiers. Hoewel er verschillende methoden voor dimensiereductie in de signaalruimte bestaan — variërend van variantiebehoud tot modellering van temporele dynamiek — ontbrak een systematische vergelijking van deze methoden in combinatie met onafhankelijk geoptimaliseerde classifiers. Specifiek blijft de prestatiekloof tussen variantie-gebaseerde benaderingen (bijv. PCA) en dynamica-gebaseerde benaderingen (bijv. DyCA, DMD) in de context van deep learning voor EEG nog onvastgesteld.

Methodologie
De studie maakt gebruik van de Temple University Hospital Seizure Corpus (TUSZ v2.0.3), beperkt tot volwassen proefpersonen met subject-disjoint training-, validatie- en testsplits om een rigoureuze beoordeling van de generalisatie te waarborgen. Ruwe 27-kanaals EEG-signalen werden voorbewerkt (resampled naar 256 Hz, gefilterd en hermontageerd) en gesegmenteerd in vensters van 2 seconden.

De kernmethodologie omvat een vergelijkende analyse van vier dimensiereductietechnieken, die alle de 27-kanaals input projecteren naar $n=4$ kanalen:

1. Principal Component Analysis (PCA): Behoudt maximale variantie via eigenvectoren van de covariantie-matrix.
2. Dynamic Mode Decomposition (DMD): Isoleert frequentie-opgeloste dynamische structuren op basis van lineaire operator-modellen.
3. Dynamical Component Analysis (DyCA): Scheidt deterministische dynamiek van stochastische ruis met behulp van Ordinary Differential Equation (ODE) modellen.
4. Average Volatility Dimensioning (AVD): Een univariate maat voor cross-kanaal dispersie-heterogeniteit, waarbij het gemiddelde van gekwadrateerde verschillen van dispersieschattingen (Median Absolute Deviation en Standaarddeviatie) over kanaalparen wordt berekend.

Om een eerlijke vergelijking te garanderen, gebruikten de auteurs een autonoom AI-gestuurd onderzoeksframework. Een LLM-gebaseerde coding agent optimaliseerde onafhankelijk de deep learning classifier-architectuur, verliesfuncties en hyperparameters voor elk van de vier representaties. Deze aanpak voorkomt dat prestatieverschillen worden toegeschreven aan suboptimale classifier-tuning in plaats van aan de input-representatie zelf. De zoektocht maakte gebruik van een focal loss om klassenonbalans aan te pakken en werd uitgevoerd op een high-performance computing cluster.

Belangrijkste Bijdragen

1. Systematische Vergelijking: Het artikel biedt de eerste systematische evaluatie van PCA, DyCA, DMD en AVD voor EEG-epilepsie-detectie, waarbij elke methode gekoppeld is aan een uniek geoptimaliseerde deep learning classifier.
2. Framework Adaptatie: Het demonstreert de praktische levensvatbaarheid van het adapteren van autonome onderzoeksframeworks aan biomedische signaalverwerking, wat hypothese-gestuurd modelontwerp mogelijk maakt zonder handmatige architecturale bias.
3. Inzicht in Gezamenlijke Optimalisatie: De studie stelt vast dat de optimale classifier-architectuur representatie-afhankelijk is, en pleit tegen het gebruik van een enkele vaste architectuur voor diverse inputtypen.

Resultaten
Prestaties werden gemeten met beh way van ROC-AUC en PR-AUC op validatie- en onafhankelijke testsets.

• Superioriteit van Variantie-gebaseerde methoden: Variantie-gebaseerde methoden (AVD en PCA) presteerden significant beter dan dynamica-gebaseerde methoden (DMD en DyCA).
  • AVD behaalde de hoogste test ROC-AUC van 88,28% en PR-AUC van 31,91%.
  • PCA volgde met een test ROC-AUC van 85,98%.
  • DMD en DyCA scoorden lager, met respectievelijk test ROC-AUCs van 74,56% en 74,85%.
• Generalisatiekloof: Dynamica-gebaseerde methoden vertoonden een uitgesproken generalisatiedeficiëntie, met dalingen in test ROC-AUC van ongeveer 7–9% vergeleken met de validatieprestaties. In contrast hiermee vertoonden AVD en PCA veel kleinere kloven (1,50% en 3,43%), wat suggereert dat AVD minder gevoelig is voor patiënt-specifieke overfitting.
• Architecturale Divergentie: De autonome zoektocht identificeerde onderscheidende optimale architecturen voor elke methode. Variantie-gebaseerde methoden gaven de voorkeur aan multi-scale spectrale kenmerkextractie (bijv. filterbanks), terwijl dynamica-gebaseerde methoden dual-stream architecturen vereisten om complementaire tijd- en frequentie-views te fuseren.

Significantie en Claims
Het artikel claimt dat voor EEG-epilepsie-detectie het behouden van de variantiestructuur (specifiek cross-kanaal dispersie-heterogeniteit) belangrijker lijkt te zijn dan het behouden van temporele dynamiek. De resultaten wijzen erop dat AVD een epileptische handtekening vastlegt die betrouwbaarder overdraagbaar is tussen subjecten dan de modale decomposities van DMD en DyCA. Bovendien benadrukt de studie de noodzaak van de gezamenlijke optimalisatie van de input-representatie en de classifier, aangezien de "beste" architectuur niet universeel is maar specif wordt bepaald door de gehanteerde dimensiereductiemethode.

De auteurs houden een bescheiden reikwijdte aan, waarbij zij beperkingen erkennen zoals de afhankelijkheid van een enkel corpus (TUSZ) en binaire window-level labels. Zij suggereren dat toekomstig werk de combinatie van variantie-gebaseerde en dynamica-gebaseerde representaties moet verkennen en de overdraagbaarheid van AVD naar fijnmaziger typen van epileptische aanvallen en bredere klinische cohorten moet evalueren.