トポロジカル機械学習によるてんかんのiEEG分類

arXiv cs.LG / 2026/4/15

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、多チャネルiEEGから抽出したトポロジカルデータ解析（TDA）特徴量が、発作前（preictal）、発作時（ictal）、発作間（interictal）の各脳状態の分類を改善できるかを評価する。
55人のてんかん患者のデータを用いる（先行研究の多くの患者別研究よりも規模が大きい）。著者らは、Carlsson座標、パーシステンス・イメージ、テンプレート関数などの表現によってパーシステンス図をベクトル化する。
大規模なアブレーション研究により、周波数帯、次元削減手法、特徴量エンコーディング、分類器アーキテクチャの観点で、TDA表現と最新の機械学習パイプラインとの相互作用を検証する。
結果として、次元削減したトポロジカル表現は、3クラス分類で最大で約80%のバランス精度に到達できる一方、古典的な機械学習モデルは深層学習と同程度の性能を示す。
高次元の多チャネル構造を完全に保持するアプローチは過学習を強く招くことが分かり、トポロジーに基づく特徴量を用いた、構造を保つ次元削減の必要性が強調される。

% のバランス精度を達成できることが分かりました。興味深いことに、古典的な機械学習モデルは深層学習モデルと同程度に性能を発揮し、最大 79.17
% のバランス精度を実現しました。これは、注意深く設計されたトポロジカル特徴が、モデル複雑性の要求を大幅に低減できることを示唆しています。一方で、多チャンネルの特徴構造を完全に保持するパイプラインでは、高次元の特徴空間によって深刻な過学習が生じます。これらの結果は、多チャンネルの神経データにトポロジーに基づく表現を適用する際、構造を保存する次元削減の重要性を浮き彫りにします。