[論文レビュー] MHDeep: Mental Health Disorder Detection System based on Body-Area and Deep Neural Networks

Shayan Hassantabar, Joe Zhang+2 more|arXiv (Cornell University)|Feb 20, 2021

Digital Mental Health Interventions参考文献 40被引用数 4

ひとこと要約

MHDeepは、スマートウォッチおよびスマートフォンのウェアラブルセンサーから生理的および行動的データを収集し、合成データ拡張および成長・ pruning を適用した深層ニューラルネットワーク（DNN）アーキテクチャを活用することで、統合的でエッジデプロイ可能な統合的診断を可能にする、精神的疾患検出のための新規なシステムである。スイズアフェクティブおよび大うつ病性障害の診断において、16〜40分間の連続データのみで患者単位の精度が100％に達する。

ABSTRACT

Mental health problems impact quality of life of millions of people around the world. However, diagnosis of mental health disorders is a challenging problem that often relies on self-reporting by patients about their behavioral patterns. Therefore, there is a need for new strategies for diagnosis of mental health problems. The recent introduction of body-area networks consisting of a plethora of accurate sensors embedded in smartwatches and smartphones and deep neural networks (DNNs) points towards a possible solution. However, disease diagnosis based on WMSs and DNNs, and their deployment on edge devices, remains a challenging problem. To this end, we propose a framework called MHDeep that utilizes commercially available WMSs and efficient DNN models to diagnose three important mental health disorders: schizoaffective, major depressive, and bipolar. MHDeep uses eight different categories of data obtained from sensors integrated in a smartwatch and smartphone. Due to limited available data, MHDeep uses a synthetic data generation module to augment real data with synthetic data drawn from the same probability distribution. We use the synthetic dataset to pre-train the DNN models, thus imposing a prior on the weights. We use a grow-and-prune DNN synthesis approach to learn both the architecture and weights during the training process. We use three different data partitions to evaluate the MHDeep models trained with data collected from 74 individuals. We conduct data instance level and patient level evaluations. MHDeep achieves an average test accuracy of 90.4%, 87.3%, and 82.4%, respectively, for classifications between healthy instances and schizoaffective disorder instances, major depressive disorder instances, and bipolar disorder instances. At the patient level, MHDeep DNNs achieve an accuracy of 100%, 100%, and 90.0% for the three mental health disorders, respectively.

研究の動機と目的

• 実際の生理的センサー・データを補完するために合成データ生成を活用し、収集が困難で限られた精神的疾患データセットの課題に対処する。
• スマートフォンおよびスマートウォッチに搭載された商業用ウェアラブル医療センサー（WMS）を用いて、継続的でスケーラブルかつ自動化された精神的健康状態の監視システムを構築する。
• 直接的に生のセンサー・ストリームをエンドツーエンドの深層ニューラルネットワークで処理することで、手動による特徴工学的設計を排除する。
• スマートフォンなどのエッジデバイスへのデプロイに適した計算効率の高いDNNモデルを設計し、リアルタイムで広範な精神的健康診断を実現する。
• 統合的で高い診断精度を、スイズアフェクティブ障害、大うつ病性障害、双極性障害という3つの主要な精神的疾患のデータインスタンスレベルおよび患者単位レベルで達成する。

提案手法

• スマートウォッチおよびスマートフォンから、8つのカテゴリーの生理的、運動、環境的データを収集し、包括的なセンサー・データセットを構築する。
• 実際のデータを拡張するために合成データ生成を適用し、合成サンプルが実データと同じ確率分布に従うようにすることで、モデルの一般化性能を向上させる。
• トレーニング中に最適なネットワークアーキテクチャと重みを同時に学習する成長・ pruning を適用したDNN合成手法を用いることで、モデルの効率性と正確性を向上させる。
• 合成データセットを用いてDNNの重みを事前学習することで、モデルパラメータに事前知識を組み込み、限られた実世界のデータセットでも性能を向上させる。
• 評価のために3つのデータパーティションを用いる：15秒間のデータ窓ごとの多数決投票を用いたインスタンスレベルおよび患者レベル分類。
• 訓練済みモデルをエッジデバイスにデプロイし、リアルタイム推論を実現することで、継続的で非侵襲的な精神的健康状態の監視を可能にする。

実験結果

リサーチクエスチョン

• RQ1 商業用ウェアラブル機器からの生のセンサー・データのみを用いて、手動による特徴工学的設計を一切行わず、深層学習システムが精神的疾患の診断において高い正確性を達成できるか。
• RQ2 実世界の精神的疾患データセットが小さく不均衡な場合、合成データ生成がモデル性能にどの程度寄与するか。
• RQ3 スイズアフェクティブ障害、大うつ病性障害、双極性障害の患者単位の信頼性のある診断を実現するために、どの程度の連続的なセンサー・データが必要か。
• RQ4 成長・ pruning を適用したDNNアーキテクチャは、スマートフォンおよびスマートウォッチでのエッジデプロイに耐えうるほど計算効率が高く、高い正確性を達成できるか。
• RQ5 本システムは、臨床的意味のある正確性を患者単位で達成でき、実世界の臨床意思決定支援に十分な水準に到達できるか。

主な発見

• MHDeepは、健康な個人とスイズアフェクティブ障害を区別するデータインスタンスレベルで平均90.4％のテスト精度を達成した。
• 患者単位では、40分間の連続センサー・データを用いて、健康な個人とスイズアフェクティブ障害を分類する際、100％の正確性に達した。
• 大うつ病性障害の分類では、16分間のデータ収集後、患者単位の正確性が100％に達した。
• 双極性障害の分類では、22分間のデータ収集後、患者単位の正確性が90.0％に達し、診断の複雑さが高くても強力な性能を示した。
• 成長・ pruning を適用したDNN合成手法は、ネットワークアーキテクチャと重みを同時に効果的に学習し、エッジデプロイに適した計算効率の高いモデルを生成した。
• 合成データ生成は、データ不足を効果的に緩和し、限られた実世界のデータセットでも堅牢な事前学習とモデルの一般化性能の向上を可能にした。