[論文レビュー] Deep Learning Architectures for FSCV, a Comparison

Thomas Twomey, Leonardo Rodrigues Barbosa+2 more|arXiv (Cornell University)|Dec 5, 2022

Advanced Chemical Sensor Technologies被引用数 4

ひとこと要約

本研究では、in vitroの高速スキャンサイクルボルタメトリ（FSCV）データから神経伝達物質濃度を予測するためのディープラーニングアーキテクチャを評価し、プローブ外一般化、ノイズ耐性、誤差検出の観点から検討した。InceptionTimeが予測精度（最小RMSE）で最高を記録したが、電気的ノイズに対して最も感受性が高かった。一方、単純なマルチレイヤーパーセプトロン（MLP）は2番目の精度を記録し、ノイズ耐性に優れており、この固定タイミングのFSCVタスクでは畳み込み層の重要性がこれまでの想定ほどではない可能性を示唆している。

ABSTRACT

We examined multiple deep neural network (DNN) architectures for suitability in predicting neurotransmitter concentrations from labeled in vitro fast scan cyclic voltammetry (FSCV) data collected on carbon fiber electrodes. Suitability is determined by the predictive performance in the "out-of-probe" case, the response to artificially induced electrical noise, and the ability to predict when the model will be errant for a given probe. This work extends prior comparisons of time series classification models by focusing on this specific task. It extends previous applications of machine learning to FSCV task by using a much larger data set and by incorporating recent advancements in deep neural networks. The InceptionTime architecture, a deep convolutional neural network, has the best absolute predictive performance of the models tested but was more susceptible to noise. A naive multilayer perceptron architecture had the second lowest prediction error and was less affected by the artificial noise, suggesting that convolutions may not be as important for this task as one might suspect.

研究の動機と目的

• 臨床的ニューロサージカル応用におけるFSCVデータから神経伝達物質濃度を予測するのに最適なディープラーニングアーキテクチャを特定すること。
• 未学習のプローブ（プローブ外）状況におけるモデルの性能を評価すること。
• 体内環境に類似した人工的な電気的ノイズに対する耐性を評価すること。
• モデルの埋め込みが、外れ値のプローブや一般化が不十分な状況を検出できるかを調査すること。
• 最近のディープラーニングの進展が、従来手法と比較してFSCV時系列データにおける回帰性能をどのように向上させるかを特定すること。

提案手法

• 76本のカーボンファイバー・プローブから得られた大規模なin vitro FSCVデータセットを用い、InceptionTime、完全畳み込みネットワーク（FCN）、EEG-Transformer、およびマルチレイヤーパーセプトロン（MLP）といった複数のディープニューラルネットワークアーキテクチャを訓練・比較した。
• 公平な比較を確保するため、すべてのモデルをInceptionTimeと同一のパラメータ数および訓練手順に統一した。
• 前処理は正規化を除き複雑な処理を施さず、固定された時間的構造を持つ時系列回帰問題として扱った。
• 予測精度（RMSE）、60 Hzの人工的電気的ノイズへの反応、および埋め込み距離指標による外れプローブの検出という3つの基準でモデルを評価した。
• テストプローブのモデル埋め込みと学習分布との間のマハラノビス距離およびフレシェ距離を計算し、分布外のケースを同定した。
• 一部のモデルでは、電流トレースの数値的1階微分を用いたが、これによりノイズへの感受性が増大した。

実験結果

リサーチクエスチョン

• RQ1 どのディープラーニングアーキテクチャがFSCVを用いた神経伝達物質濃度推定において最高の予測精度を達成するか？
• RQ2 異なるアーキテクチャは、体内環境に類似した人工的電気的ノイズに対してどのように反応するか？
• RQ3 モデルの埋め込みは、学習分布外のプローブや一般化が不十分な状況を検出できるか？
• RQ4 この固定タイミングのFSCV回帰タスクにおいて、畳み込み層の導入が顕著な利点をもたらすか？
• RQ5 ドーパミン（DA）、セロトニン（5HT）、ノルアドレナリン（NE）といった異なる神経伝達物質およびpH条件下で、モデルの性能はどのように変化するか？

主な発見

• InceptionTimeは、全分析物質において最小のRMSE（最高の絶対的予測性能）を達成し、FSCVデータに対する強力な回帰能力を裏付けた。
• 単純なマルチレイヤーパーセプトロン（MLP）は2番目の精度を記録し、深層アーキテクチャーよりも顕著に高いノイズ耐性を示した。
• すべてのモデルが外れ値のプローブでは性能を低下させ、性能はプローブの埋め込みと学習分布とのマハラノビス距離と強く相関していた。
• InceptionTimeの2番目に最後の層が、最終層よりも優れた埋め込みを提供しており、より良好な分布的性質と低次元性を示した。
• モデルに数値的微分を組み込むことで、ノイズ感受性が悪化し、特に電流スイープの平坦領域では微小なスパイクが大きな微分変化を引き起こすため、特に顕著だった。
• 本研究では、電流特徴が時間的に固定されているFSCVにおいて、畳み込み層の有用性が限定的であり、ノイズ耐性を重視する場合には、MLPのような単純なモデルがより好ましい可能性が示唆された。