[論文レビュー] A pilot study of the Earable device to measure facial muscle and eye movement tasks among healthy volunteers

Matthew F. Wipperman, Galen Pogoncheff+10 more|arXiv (Cornell University)|Feb 1, 2022

Facial Nerve Paralysis Treatment and Research参考文献 43被引用数 5

ひとこと要約

本パイロット研究では、EMG、EOG、EEG信号を用いて、健康ボランティアにおける顔面および眼運動の客観的・定量的測定を目的としたEarableウェアラブルデバイスの有効性を評価する。この研究では、これらの信号からの要約特徴量を用いて模擬的パフォーマンス成果（mock-PerfO）タスクを正確に分類できることを示しており、会話、噛み砕く、呑むというタスクでF1スコア>0.9を達成。これは畳み込みニューラルネットワーク（CNN）を上回る性能であり、EMGおよびEOG特徴量が分類に特に重要であることが判明した。

ABSTRACT

Many neuromuscular disorders impair function of cranial nerve enervated muscles. Clinical assessment of cranial muscle function has several limitations. Clinician rating of symptoms suffers from inter-rater variation, qualitative or semi-quantitative scoring, and limited ability to capture infrequent or fluctuating symptoms. Patient-reported outcomes are limited by recall bias and poor precision. Current tools to measure orofacial and oculomotor function are cumbersome, difficult to implement, and non-portable. Here, we show how Earable, a wearable device, can discriminate certain cranial muscle activities such as chewing, talking, and swallowing. We demonstrate using data from a pilot study of 10 healthy participants how Earable can be used to measure features from EMG, EEG, and EOG waveforms from subjects performing mock Performance Outcome Assessments (mock-PerfOs), utilized widely in clinical research. Our analysis pipeline provides a framework for how to computationally process and statistically rank features from the Earable device. Finally, we demonstrate that Earable data may be used to classify these activities. Our results, conducted in a pilot study of healthy participants, enable a more comprehensive strategy for the design, development, and analysis of wearable sensor data for investigating clinical populations. Additionally, the results from this study support further evaluation of Earable or similar devices as tools to objectively measure cranial muscle activity in the context of a clinical research setting. Future work will be conducted in clinical disease populations, with a focus on detecting disease signatures, as well as monitoring intra-subject treatment responses. Readily available quantitative metrics from wearable sensor devices like Earable support strategies for the development of novel digital endpoints, a hallmark goal of clinical research.

研究の動機と目的

• Earableが制御された顔面および眼運動タスク中にEMG、EOG、EEG信号から意味のある特徴量を抽出・処理できるかどうかを評価すること。
• Earableが得る特徴量のテスト・リテスト信頼性およびデータ品質を評価すること。
• Earableの特徴量が、異なる模擬的パフォーマンス成果（mock-PerfO）活動を区別できるかどうかを検証すること。
• 顔面筋および眼運動タスクを分類する際に、どの特徴量タイプが最も有用であるかを特定すること。

提案手法

• 161の要約特徴量が、Earableデバイスが収集したEMG、EOG、EEG波形から抽出された。これらの測定は、16の模擬的パフォーマンス成果（mock-PerfO）タスク中に実施された。
• 特徴量ベクトルを用いて機械学習モデルを訓練し、分類性能を保留されたテストセットで評価した。
• 低レベルの生波形表現を入力として使用する畳み込みニューラルネットワーク（CNN）を訓練し、特徴量ベースのモデルと分類性能を比較した。
• テスト・リテスト信頼性および被験者内の一貫性を評価するために、分散成分分析を適用した。
• 特徴量の安定性および再現性を評価するために、スピアマン相関および組内相関（ICC）値を計算した。
• タスク識別に最も予測的であるとされる特徴量を特定するために、統計的順位付けを実施した。

実験結果

リサーチクエスチョン

• RQ1 Earableは、健康な被験者における制御された顔面および眼運動から、EMG、EOG、EEG特徴量を信頼性高く抽出・処理できるか？
• RQ2 Earable特徴量は、繰り返し測定（テスト・リテスト）および1日における異なる時間帯（朝と夜）で一貫しているか？
• RQ3 Earable特徴量を用いた機械学習モデルは、高い正確性で異なる模擬的パフォーマンス成果（mock-PerfO）タスクを区別できるか？
• RQ4 どの特徴量タイプ（EMG、EOG、EEG、または導出統計量）が、特定のタスクを分類する際に最も有用であるか？
• RQ5 生波形データを入力とする深層学習モデルと比較して、要約特徴量に基づくモデルは、タスク分類において優れた性能を示すか？

主な発見

• Earableは、要約特徴量を用いて会話、噛み砕く、呑むというタスクを分類する際、F1スコア>0.9を達成し、優れた識別性能を示した。
• すべてのタスクの分類においてEMG特徴量が不可欠であったが、視線関連タスクの分類ではEOG特徴量が特に重要であった。
• 特徴量ベースの分類モデルは、模擬的パフォーマンス成果（mock-PerfO）タスクの分類において、CNNモデルを上回った。これは、この文脈において、エンジニアリング特徴量が生波形表現よりも効果的であることを示唆している。
• 分散成分分析の結果、被験者および時間点を問わず一貫した特徴量の信頼性が確認され、ICC値から良好なテスト・リテスト信頼性が示された。
• 本研究では、タスク識別の予測に最も寄与する統計的に順位付けされた特徴量のセットが同定され、将来的なデジタルエンドポイント開発のフレームワークが提供された。
• これらの結果は、Earableが神経筋疾患における顔面神経関連機能の客観的・携帯性・再試行可能な評価ツールとしての可能性を支持している。