[論文レビュー] EasiCSDeep: A deep learning model for Cervical Spondylosis Identification using surface electromyography signal

Nana Wang, Cui Li+3 more|arXiv (Cornell University)|Dec 12, 2018

Muscle activation and electromyography studies参考文献 27被引用数 5

ひとこと要約

本稿では、多チャンネル表面筋電図（sEMG）信号を用いて、高い正確性で頸椎椎間板症（CS）を同定する新規のディープラーニングモデル、EasiCSDeepを提案する。3次元畳み込みニューラルネットワークを活用して6つのsEMGチャンネルから空間的および時間的特徴を抽出することで、97.22％の正確性を達成し、従来の手法を著しく上回り、低コストでポータブルなCSスクリーニングを可能にする。

ABSTRACT

Cervical spondylosis (CS) is a common chronic disease that affects up to two-thirds of the population and poses a serious burden on individuals and society. The early identification has significant value in improving cure rate and reducing costs. However, the pathology is complex, and the mild symptoms increase the difficulty of the diagnosis, especially in the early stage. Besides, the time-consuming and costliness of hospital medical service reduces the attention to the CS identification. Thus, a convenient, low-cost intelligent CS identification method is imperious demanded. In this paper, we present an intelligent method based on the deep learning to identify CS, using the surface electromyography (sEMG) signal. Faced with the complex, high dimensionality and weak usability of the sEMG signal, we proposed and developed a multi-channel EasiCSDeep algorithm based on the convolutional neural network, which consists of the feature extraction, spatial relationship representation and classification algorithm. To the best of our knowledge, this EasiCSDeep is the first effort to employ the deep learning and the sEMG data to identify CS. Compared with previous state-of-the-art algorithm, our algorithm achieves a significant improvement.

研究の動機と目的

• 表面筋電図（sEMG）信号を用いて、低コストでポータブルかつインテリジェントな頸椎椎間板症（CS）の早期同定手法を開発すること。
• CS分類における高次元的でノイジーかつ不完全なsEMGデータの課題に対処すること。
• 従来の手法と比較して、診断の正確性、感受性、特異性を向上させること。
• 高価な画像診断や病院ベースの診断に依存するのを減らすことで、広範なスクリーニングを可能にすること。
• 症状の進行を防ぐために、軽度または無症状のCS症例を早期に検出できること。

提案手法

• EasiCSDeepモデルは、多チャンネルsEMG信号を処理するための3次元畳み込みニューラルネットワーク（CNN）を採用し、筋群間の空間的および時間的依存関係を捉える。
• 手法は、生のsEMG信号を行列形式のデータに変換することで、効率的なディープラーニング処理を可能にし、特徴表現を向上させる。
• 6つの異なるsEMG特徴タイプ（例：時間領域、周波数領域、ウェーブレット特徴）が別々の入力チャンネルを通じて同時に処理され、表現の豊かさが向上する。
• マルチスケールのフィルターサイズ戦略が適用され、最適な性能は(5,5)フィルターサイズで達成され、空間的関係のモデル化が効果的に行える。
• 次元削減と一般化性能の向上を目的に、マックスプーリング層が使用され、分類のための最終的な全結合層が配置される。
• モデルは高次元のsEMGデータを処理しつつ、ノイズやデータ欠損に対しても頑健性を維持するように設計されている。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングモデルは、表面筋電図（sEMG）信号のみを用いて頸椎椎間板症を効果的に分類できるか？
• RQ2 sEMGチャンネル数がCS同定における分類性能に与える影響は何か？
• RQ3 sEMG信号における意味のある空間的関係を捉えるために最適なフィルターサイズ設定は何か？
• RQ4 EasiCSDeepは、従来の機械学習手法と比較して、正確性、感受性、特異性の観点でどの程度優れているか？
• RQ5 ノイジー、不完全、または高次元のsEMGデータであっても、モデルは十分に一般化できるか？

主な発見

• EasiCSDeepモデルは6つのsEMGチャンネルを用いて97.22％のピーク正確性を達成し、3チャンネルモデル（78.25％）および4チャンネルモデル（83.15％）を著しく上回った。
• 最高の正確性は(5,5)フィルターサイズで達成され、最適な空間的特徴抽出を示した。一方、小さなフィルターサイズ（例：2×2）では低い性能（80.56％）が得られた。
• 従来の最先端手法と比較して、感受性は1.78ポイント、特異性は11.43ポイント向上した。
• 6つの異なるsEMG特徴タイプをチャンネルに組み込むことでモデル性能が向上し、マルチモーダル特徴表現の重要性が示された。
• 生理的に近接している、または機能的に関連する筋からのsEMG信号間に強い空間相関があることが確認され、モデルの設計選択を裏付けるものとなった。
• ノイズやデータ欠損に対してもモデルの頑健性が確認されたことから、実世界の低リソース医療環境への実用的適用可能性が示された。