[論文レビュー] Evaluating Performance of Machine Learning Models for Diabetic Sensorimotor Polyneuropathy Severity Classification using Biomechanical Signals during Gait

Fahmida Haque, Mamun Bin Ibne Reaz+11 more|arXiv (Cornell University)|May 21, 2022

Muscle activation and electromyography studies被引用数 4

ひとこと要約

本研究では、歩行中の生体力学的信号（EMG（前脛骨筋、外側大腿筋、ヒラメウス筋後部）、3次元地面反力（GRF））を用いて糖尿病性神経障害性多発性ニューロパシー（DSPN）の重症度を分類する機械学習フレームワークを提案する。特徴選択とアンサンブルモデルを組み合わせることで、GRFベースの分類で94.78%、EMGベースの分類で最適化された特徴集合を用いて92.89%の精度を達成した。

ABSTRACT

Diabetic sensorimotor polyneuropathy (DSPN) is one of the prevalent forms of neuropathy affected by diabetic patients that involves alterations in biomechanical changes in human gait. In literature, for the last 50 years, researchers are trying to observe the biomechanical changes due to DSPN by studying muscle electromyography (EMG), and ground reaction forces (GRF). However, the literature is contradictory. In such a scenario, we are proposing to use Machine learning techniques to identify DSPN patients by using EMG, and GRF data. We have collected a dataset consists of three lower limb muscles EMG (tibialis anterior (TA), vastus lateralis (VL), gastrocnemius medialis (GM) and 3-dimensional GRF components (GRFx, GRFy, and GRFz). Raw EMG and GRF signals were preprocessed, and a newly proposed feature extraction technique scheme from literature was applied to extract the best features from the signals. The extracted feature list was ranked using Relief feature ranking techniques, and highly correlated features were removed. We have trained different ML models to find out the best-performing model and optimized that model. We trained the optimized ML models for different combinations of muscles and GRF components features, and the performance matrix was evaluated. This study has found ensemble classifier model was performing in identifying DSPN Severity, and we optimized it before training. For EMG analysis, we have found the best accuracy of 92.89% using the Top 14 features for features from GL, VL and TA muscles combined. In the GRF analysis, the model showed 94.78% accuracy by using the Top 15 features for the feature combinations extracted from GRFx, GRFy and GRFz signals. The performance of ML-based DSPN severity classification models, improved significantly, indicating their reliability in DSPN severity classification, for biomechanical data.

研究の動機と目的

• 歩行関連の生体力学的信号を用いて、糖尿病性神経障害性多発性ニューロパシー（DSPN）の重症度を信頼性の高い機械学習ベースの分類システムを開発すること。
• 先行研究におけるDSPN関連の生体力学的変化についての矛盾する結果を、データ駆動型モデリングを活用して解消すること。
• EMGおよびGRF信号からのDSPN重症度分類における複数の機械学習モデルの性能を評価・最適化すること。
• 新規の特徴抽出およびランク付けアプローチを用いて、EMGおよびGRFデータからの最も情報量の多い特徴を同定すること。
• 異なる筋肉およびGRF成分の特徴の組み合わせにおけるモデル性能を比較し、最適な分類精度を達成すること。

提案手法

• 歩行中に、3つの下肢筋（TA、VL、GM）および3つのGRF成分（GRFx、GRFy、GRFz）から生のEMGおよびGRF信号を収集した。
• ノイズおよびアーチファクトを低減するため、標準的手法を用いて信号を前処理した。
• 文献に提案された新規の特徴抽出スキームを適用し、信号から意味のある時間的および周波数的特徴を抽出した。
• Relief特徴ランク付けアルゴリズムを用いて、最も関連性の高い特徴を同定・優先順位付けし、相関の高い特徴を除外した。
• 複数の機械学習モデル（アンサンブル分類器を含む）を訓練・比較し、最良の性能を示すモデルを同定した。
• ハイパーパramータチューニングを用いて最良のモデルを最適化し、さまざまな特徴の組み合わせにおける性能を評価した。

実験結果

リサーチクエスチョン

• RQ1 歩行中のEMGおよびGRF信号を用いたDSPN重症度分類において、どの機械学習モデルが最も優れた性能を示すか？
• RQ2 EMGおよびGRF信号から抽出された最適な特徴セットは何か？ その特徴セットが分類精度を最大限に高めるか？
• RQ3 異なる筋肉およびGRF成分の特徴の組み合わせを用いた場合、モデルの性能はどのように変化するか？
• RQ4 特徴選択技術は、DSPN重症度分類モデルの精度を顕著に向上させることができるか？
• RQ5 最適化されたモデルおよび特徴セットを用いた場合、EMGおよびGRFデータを用いて達成可能な最高の分類精度は何か？

主な発見

• アンサンブル分類器モデルが、全テストモデルの中で最も優れた性能を示した。
• EMG信号の場合、前脛骨筋（TA）、外側大腿筋（VL）、ヒラメウス筋後部（GM）のデータを統合した上位14個の特徴を用いることで、92.89%の最高精度を達成した。
• GRF信号の場合、GRFx、GRFy、GRFz成分の上位15個の特徴を用いることで、94.78%の精度に到達した。
• Reliefアルゴリズムによる特徴選択は、重複および関連性の低い特徴を排除することで、モデル性能を顕著に向上させた。
• 最適化されたアンサンブルモデルは、さまざまな特徴の組み合わせにおいても、DSPN重症度分類において高い信頼性と頑健性を示した。
• 本研究では、生体力学的歩行信号を学習データとして用いた機械学習モデルが、高い精度でDSPN重症度を効果的に分類できることを確認した。