[論文レビュー] Convolutional Neural Network for Stereotypical Motor Movement Detection in Autism

Nastaran Mohammadian Rad, Andrea Bizzego+4 more|arXiv (Cornell University)|Nov 5, 2015

Autism Spectrum Disorder ResearchNeuroscience被引用数 21

ひとこと要約

本研究では、手作業による特徴工学を回避するため、マルチセンサー加速度計データを用いて自閉症における特徴的な運動行動（SMMs）を自動的に検出するための畳み込みニューラルネットワーク（CNN）を提案する。CNNは生信号から直接特徴を学習し、手作業で作成された特徴よりも顕著に高いF1スコア（Study2では平均0.78）を達成した。さらに、転移学習を用いることで縦断的状況下での性能が向上した。

ABSTRACT

Autism Spectrum Disorders (ASDs) are often associated with specific atypical postural or motor behaviors, of which Stereotypical Motor Movements (SMMs) have a specific visibility. While the identification and the quantification of SMM patterns remain complex, its automation would provide support to accurate tuning of the intervention in the therapy of autism. Therefore, it is essential to develop automatic SMM detection systems in a real world setting, taking care of strong inter-subject and intra-subject variability. Wireless accelerometer sensing technology can provide a valid infrastructure for real-time SMM detection, however such variability remains a problem also for machine learning methods, in particular whenever handcrafted features extracted from accelerometer signal are considered. Here, we propose to employ the deep learning paradigm in order to learn discriminating features from multi-sensor accelerometer signals. Our results provide preliminary evidence that feature learning and transfer learning embedded in the deep architecture achieve higher accurate SMM detectors in longitudinal scenarios.

研究の動機と目的

• ウェアラブル慣性センサーを用いて自閉症における特徴的な運動行動（SMMs）を検出する課題に対処すること。
• SMM検出における手作業特徴の限界（ドメイン知識依存性や計算コストの高さ）を克服すること。
• 生加速度計信号からエンドツーエンドの特徴学習が可能なディープラーニングの潜在的可能性を検証し、検出精度の向上を図ること。
• 縦断的自閉症モニタリングにおける汎化性能を評価するため、CNNの転移学習能力を検討すること。
• 臨床的および介入支援用途に適した、堅牢でリアルタイムなSMM検出システムの開発

提案手法

• 本手法は、複数のセンサーからのx、y、z方向のマルチチャネル加速度計信号を入力テンソルとして、1次元CNNを用いて処理する。
• CNNアーキテクチャは、共有重みを有する畳み込み層とプーリング層を用い、生信号から階層的かつ時空間的特徴を学習する。
• 2値分類（SMM対no-SMM）のため、8ニューロンを有する全結合層の後にソフトマックス層を配置する。
• モデルは、モーメンタム（0.9）を用いた確率的勾配降下法で学習され、重みのランダム初期化を15回繰り返して安定性を確保する。
• 最終分類のため、学習済み特徴表現にSVM分類器を適用し、偏りのない評価を保証する。
• 転移学習は、あるデータセット（例：Study1）でCNNを初期化し、別のデータセット（例：Study2）でファインチューニングすることで実装し、クロスデータセット性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 CNNのようなディープラーニングモデルは、慣性センサーからのSMM検出において、従来の手作業特徴ベースの手法を上回ることができるか？
• RQ2 生加速度計信号からのエンドツーエンド特徴学習は、手作業による特徴抽出と比較して、SMM検出精度をどの程度向上させられるか？
• RQ3 あるデータセット（例：Study1）で学習した知識が、別のデータセット（例：Study2）に効果的に転送可能か、縦断的自閉症モニタリングにおける検出性能向上に寄与するか？
• RQ4 SMMパターンの被験者間および被験者内変動が著しい状況下で、CNNモデルの性能はどのように変動するか？
• RQ5 提案されたCNNフレームワークは、臨床的または家庭環境でのリアルタイムかつ適応的SMM検出に適しているか？

主な発見

• CNNモデルは、生データで学習した場合、Study1では平均F1スコア0.74、Study2では0.35を達成し、生信号分類および手作業特徴よりも顕著に優れた性能を示した。
• 転送済みCNN（Transferred-CNN）アプローチにより、Study1では平均F1スコア0.78、Study2では0.53に向上し、クロスデータセット状況下での転移学習の有効性が裏付けられた。
• 個々の被験者では、CNNは最高でF1スコア0.93（Study2の被験者6）を記録し、高運動強度ケースにおける強力な性能を示した。
• PCA可視化により、CNNで学習された特徴を用いた場合、手作業特徴と比較してSMMとno-SMMのサンプルのクラス分離が明確になった。これは、より優れた判別力を持つことを確認した。
• 転送済みCNNは、Study2において標準CNNを常に上回り、平均F1スコアで0.18の絶対的向上を示した。これにより、縦断的研究における転移学習の価値が裏付けられた。
• 本研究は、ディープラーニングが生加速度計データからSMMの堅牢で判別力のある表現を効果的に学習できることを示した。これにより、手作業特徴の限界を克服できることが明らかになった。