[論文レビュー] Deep learning from wristband sensor data: towards wearable, non-invasive seizure forecasting

Christian Meisel, Rima El Atrache+4 more|arXiv (Cornell University)|Jun 3, 2019

EEG and Brain-Computer Interfaces参考文献 24被引用数 8

ひとこと要約

本研究では、50例のてんかん患者から得られたマルチモーダルなウェアラブル腕時計センサデータ（EDA、BVP、体温、3軸アクチグラフィー）を用いた深層学習を用いた非侵襲的てんかん発作予測手法を提案する。生のセンサ入力を用いた1次元および2次元畳み込みニューラルネットワーク（CNN）を用い、交差検証法と疑似前向き検証法の両方で、60%の患者で偶然より優れた発作前状態の予測を達成した。これは、ウェアラブルで非侵襲的なてんかんリスク評価の可能性を示している。

ABSTRACT

Seizure forecasting may provide patients with timely warnings to adapt their daily activities and help clinicians deliver more objective, personalized treatments. While recent work has convincingly demonstrated that seizure risk assessment is possible, these early approaches relied largely on complex, often invasive setups including intracranial electrocorticography, implanted devices and multi-channel EEG, which limits translation of these methods to broad clinical application. To facilitate broader adaptation of seizure forecasting in clinical practice, non-invasive, easily applicable techniques that reliably assess seizure risk, in combination with clinical information, are crucial. Wristbands that continuously record physiological parameters, including electrodermal activity, body temperature, blood volume pressure and actigraphy, may afford monitoring of autonomous nervous system function and movement relevant for such a task, hence minimizing potential complications associated with invasive monitoring, and avoiding stigma associated with bulky external monitoring devices on the head. Here, we use deep learning to analyze long-term, multi-modal wristband sensor data from 50 patients with epilepsy (total duration $>$1400 hours) to assess its capability to distinguish preictal from interictal states. Prediction performance is assessed using area under the receiver operating charateristic (AUC) and improvement over chance (IoC) based on F1 scores. Using one- and two-dimensional convolutional neural networks, we identified better-than-chance predictability in out-of-sample test data in 60\% of the patients in leave-one-out and 43\% of patients in pseudo-prospective approaches. These results provide a step towards developing easier to apply, non-invasive methods for seizure risk assessments in patients with epilepsy.

研究の動機と目的

• 非侵襲的なウェアラブル腕時計センサデータが、深層学習を用いて信頼性のあるてんかん発作リスク予測を可能にするかを評価すること。
• 生のマルチモーダル生理的信号を用いて、1次元および2次元畳み込みニューラルネットワーク（CNN）が発作前状態と発作間欠状態を区別する性能を評価すること。
• 本手法が、実際の展開を想定した出サンプル、前向き的検証条件に一般化可能かどうかを検証すること。
• ウェアラブルで継続的モニタリングの可能性について、てんかん患者の自己管理の向上と臨床的治療のパーソナライズ化を促進する役割を検討すること。

提案手法

• てんかん患者50例から、入院中のモニタリング中にマルチモーダルなウェアラブルセンサデータ（EDA、BVP、体温、3軸アクチグラフィー）を収集し、合計で1400時間以上にわたるデータを取得した。
• 発作前状態を、発作の61秒から1分前までの30秒間のセグメントとして定義し、発作から2時間以上離れたセグメントを発作間欠状態として定義した。
• 手作業による特徴量設計を避けるために、生のセンサデータを入力として1次元および2次元畳み込みニューラルネットワーク（CNN）を用いた。
• 一般化性能と前向き的性能を評価するために、リーブ・ワン・アウト交差検証および疑似前向き検証を適用した。
• AUC（受信者動作特性曲線下の面積）とF1スコアに基づく偶然よりの改善度（IoC）を用いて、モデルの性能を評価した。
• 複数台のデバイスが使用された場合、患者ごとに最も長い腕時計記録を選択し、データの一貫性を確保した。

実験結果

リサーチクエスチョン

• RQ1 生のマルチモーダルなウェアラブル腕時計センサデータを用いた深層学習モデルは、てんかん患者の発作前状態と発作間欠状態を区別できるか？
• RQ2 提案手法は、リーブ・ワン・アウト検証および疑似前向き検証の両設定において、偶然より優れた予測性能を達成するか？
• RQ3 同じデータを用いた場合、生データを入力とする1次元CNNの性能と、パワースペクトル密度表現を入力とする2次元CNNの性能はどのように比較されるか？
• RQ4 この非侵襲的でウェアラブルなアプローチは、実世界の前向き的発作予測をどの程度支援できるか？

主な発見

• 提案手法は、リーブ・ワン・アウト交差検証法を用いた場合、60%の患者で偶然より優れた予測可能性を達成した。
• より現実的であるとされる疑似前向き検証設定においても、43%の患者で偶然より優れた性能を示した。
• テストされた設定において、生のセンサ入力を用いた1次元CNNが、パワースペクトル密度表現を入力とする2次元CNNを上回る性能を示した。
• 本研究では、マルチモーダルなウェアラブルセンサデータと深層学習を組み合わせることで、出サンプルで前向き的条件に近い状況でも、発作前状態を統計的に有意に高い精度で検出できることを確認した。
• 結果から、非侵襲的でウェアラブルなモニタリングシステムが、臨床現場におけるスケーラブルで患者に優しい発作予測を実現できる可能性があると示唆された。