[論文レビュー] Feature-Set-Engineering for Detecting Freezing of Gait in Parkinson's Disease using Deep Recurrent Neural Networks

Spyroula Masiala, Willem Huijbers+1 more|arXiv (Cornell University)|Sep 8, 2019

Gait Recognition and Analysis参考文献 49被引用数 9

ひとこと要約

本論文では、3次元加速度計データを用いてパーキンソン病における歩行凍結（FoG）を検出するため、長短記憶（LSTM）セルを備えた深層再帰ニューラルネットワークを提案する。背中およびマルチセンサーのデータから周波数および統計的特徴量を特徴工学的に抽出することで、被験者非依存設定で93% AUC、被験者依存設定で97% AUCを達成し、最先端の手法を著しく上回る性能を発揮した。

ABSTRACT

Freezing of gait (FoG) is a common gait disability in Parkinson's disease, that usually appears in its advanced stage. Freeze episodes are associated with falls, injuries, and psychological consequences, negatively affecting the patients' quality of life. For detecting FoG episodes automatically, a highly accurate detection method is necessary. This paper presents an approach for detecting FoG episodes utilizing a deep recurrent neural network (RNN) on 3D-accelerometer measurements. We investigate suitable features and feature combinations extracted from the sensors' time series data. Specifically, for detecting FoG episodes, we apply a deep RNN with Long Short-Term Memory cells. In our experiments, we perform both user dependent and user independent experiments, to detect freeze episodes. Our experimental results show that the frequency domain features extracted from the trunk sensor are the most informative feature group in the subject independent method, achieving an average AUC score of 93%, Specificity of 90% and Sensitivity of 81%. Moreover, frequency and statistical features of all the sensors are identified as the best single input for the subject dependent method, achieving an average AUC score of 97%, Specificity of 96% and Sensitivity of 87%. Overall, in a comparison to state-of-the-art approaches from literature as baseline methods, our proposed approach outperforms these significantly.

研究の動機と目的

• パーキンソン病における歩行凍結（FoG）発作を、ウェアラブルセンサーのデータを用いて高精度かつ自動的に検出するための手法を開発すること。
• 異なる特徴量セットおよびセンサー設置位置（足首、太もも、背中）がFoG検出性能に与える影響を調査すること。
• 被験者依存および被験者非依存の評価設定において、提案手法の深層再帰ニューラルネットワークアプローチを最先端のベースライン手法と比較すること。
• 最も情報量の多い特徴量グループを同定することで、計算的意味解釈（computational sensemaking）を可能にすること。
• 多様な患者の運動パターンにわたる安定した性能と過学習のリスク低減を実現することで、実用的導入を支援すること。

提案手法

• 本手法は、3次元加速度計時系列データの時間的依存性をモデル化するため、長短記憶（LSTM）セルを備えた深層再帰ニューラルネットワーク（RNN）を用いる。
• 時間領域、周波数領域、統計的手法を用いて、複数のセンサー設置位置（足首、太もも、背中）からのセンサー・データから特徴量を抽出する。
• 科学的文献および実証的性能に基づく特徴量選択を実施し、最適な入力表現を得るために周波数および統計的特徴量に焦点を当てる。
• 被験者非依存および被験者依存の両設定において、Daphnetベンチマークデータセットを用いてモデルを訓練および評価する。
• クラス不均衡の緩和と多数クラスへの過学習の低減を目的として、SMOTEを用いたバランスの取れた評価手順を適用する。
• モデルおよび実験のコードを公開することで、再現可能性を確保するとともに、今後の研究を促進する。

実験結果

リサーチクエスチョン

• RQ1 被験者非依存設定において、3次元加速度計データから抽出されたどの特徴量グループが歩行凍結の検出に最も有用であるか？
• RQ2 被験者依存設定で検出性能を最大化するために、最適なセンサー設置位置と特徴量タイプの組み合わせは何か？
• RQ3 提案手法の深層LSTMベースのアプローチは、AUC、感度、特異度の観点から最先端の手法と比較してどのように差をつけるか？
• RQ4 再トレーニングなしで、異なる被験者に一般化して効果的に機能するか（被験者非依存性能）？
• RQ5 背中センサーからの周波数領域特徴量は、強固なFoG検出にどの程度寄与するか？

主な発見

• 被験者非依存設定では、背中センサーの周波数領域特徴量が最高の性能を示し、平均AUCが93%、特異度が90%、感度が81%を達成した。
• 被験者依存設定では、全センサーからの周波数および統計的特徴量を組み合わせたものが最良の結果をもたらし、平均AUCが97%、特異度が96%、感度が87%を達成した。
• 提案手法は、被験者依存および被験者非依存の両評価設定において、最先端のベースライン手法を著しく上回った。特に感度およびAUCの面で顕著な優位性を示した。
• モデルは被験者間で一貫した性能（AUC > 92.4%、感度 > 55%、特異度 > 80%）を示し、過去の研究で見られた過学習の問題を回避した。
• 背中センサー1つだけで効果的なFoG検出が可能であることが判明した。これは、軽量ウェアラブル機器やスマートフォンベースの検出システムへの応用可能性を示唆している。
• SMOTEを用いたバランスの取れた評価により、モデルの一般化性能が向上し、特に純粋にランダムな交差検証を用いた従来の手法と比較してバイアスが低減した。