[論文レビュー] Novel EEG based Schizophrenia Detection with IoMT Framework for Smart Healthcare

Geetanjali Sharma, Amit M. Joshi|arXiv (Cornell University)|Nov 19, 2021

EEG and Brain-Computer Interfaces被引用数 7

ひとこと要約

本論文は、19名の被験者からなる小さなデータセットで99.9%の正確性を達成する、EEGを用いた統合的てんかん検出のための新規なCNN-LSTMハイブリッドディープラーニングモデルSzHNNを提案する。このモデルは畳み込み層を用いて局所的特徴を抽出し、LSTMを用いて時系列分類を実行する。5電極のみでさえも高い性能を発揮し、遠隔地でリアルタイムにスマートヘルスケア監視が可能なIoMTフレームワークに統合されている。

ABSTRACT

In the field of neuroscience, Brain activity analysis is always considered as an important area. Schizophrenia(Sz) is a brain disorder that severely affects the thinking, behaviour, and feelings of people all around the world. Electroencephalography (EEG) is proved to be an efficient biomarker in Sz detection. EEG is a non-linear time-seriesi signal and utilizing it for investigation is rather crucial due to its non-linear structure. This paper aims to improve the performance of EEG based Sz detection using a deep learning approach. A novel hybrid deep learning model known as SzHNN (Schizophrenia Hybrid Neural Network), a combination of Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) has been proposed. CNN network is used for local feature extraction and LSTM has been utilized for classification. The proposed model has been compared with CNN only, LSTM only, and machine learning-based models. All the models have been evaluated on two different datasets wherein Dataset 1 consists of 19 subjects and Dataset 2 consists of 16 subjects. Several experiments have been conducted for the same using various parametric settings on different frequency bands and using different sets of electrodes on the scalp. Based on all the experiments, it is evident that the proposed hybrid model (SzHNN) provides the highest classification accuracy of 99.9% in comparison to other existing models. The proposed model overcomes the influence of different frequency bands and even showed a much better accuracy of 91% with only 5 electrodes. The proposed model is also evaluated on the Internet of Medical Things (IoMT) framework for smart healthcare and remote monitoring applications.

研究の動機と目的

• EEG信号を用いた早期統合的てんかん検出のための高精度で自動化されたシステムの開発、主観的な臨床的診断の限界を克服すること。
• 非線形的で複雑なEEG時系列データの課題に対処するため、ディープラーニングを活用して強固な特徴抽出と分類を実現すること。
• 異なる電極数と周波数帯域における提案モデルの性能を評価し、耐性と臨床的妥当性を検証すること。
• 遠隔地でリアルタイムかつスケーラブルなスマートヘルスケアアプリケーションを実現するため、検出モデルをインターネット・オブ・メディカル・トゥイング（IoMT）フレームワークに統合すること。
• 提案されたハイブリッドディープラーニングモデルが、従来の機械学習およびスタンドアロンのディープラーニングモデル（CNNのみ、LSTMのみ）を上回ることを検証すること。

提案手法

• ハイブリッドディープラーニングアーキテクチャSzHNNは、EEG信号からの局所的空間的特徴抽出に畳み込みニューラルネットワーク（CNN）を、時系列モデリングと分類に長期短期記憶（LSTM）ネットワークを組み合わせる。
• 2つのデータセット（19名の被験者、16名の被験者）のEEGデータが、複数の周波数帯域（デルタ、テータ、アルファ、ベータ、ガンマ）および電極配置で前処理され分析された。
• 異なる電極数（5〜32電極）を想定したパrametric設定を用いて、モデルの訓練と評価が行われ、臨床的制約下での性能を評価した。
• システムは、ウェアラブルデバイスでEEGデータを収集し、エッジで前処理を行い、クラウドに送信し、リアルタイム診断のために分析するIoMTフレームワーク内に統合されている。
• 重みパラメータはクラウドに保存され、モデルの再利用が可能であり、医療提供者は制御システムを通じて患者記録にアクセスし、遠隔での介入に必要なフィードバックを受けることができる。
• 精度を主評価指標として用い、スタンドアロンのCNN、LSTM、および従来の機械学習モデル（例：PSD特徴を用いたSVM）と比較してベンチマーク評価が行われた。

実験結果

リサーチクエスチョン

• RQ1 ハイブリッドCNN-LSTMディープラーニングモデルは、スタンドアロンのCNN、LSTM、および従来の機械学習モデルを上回り、EEG信号の統合的てんかん検出分類において優れていると言えるか？
• RQ2 電極数が、特に低電極構成下での、提案されたSzHNNモデルの分類精度にどのように影響するか？
• RQ3 EEG周波数帯域（例：テータ、ガンマ）や頭皮上での電極配置が、モデルの性能にどの程度影響を及ぼすか？
• RQ4 手作業で定義された特徴量に依存せずに、高精度な分類が達成可能か？これにより、専門家が定義したバイオマーカーへの依存が軽減されるか？
• RQ5 IoMTベースのスマートヘルスケアフレームワークにSzHNNモデルを統合することで、遠隔地でリアルタイムに統合的てんかん監視がどの程度効果的に行えるか？

主な発見

• 提案されたSzHNNモデルは、32電極を用いて19名の被験者（データセット1）で99.9%の分類精度を達成し、すべてのベースラインモデルを大きく上回った。
• 5電極のみでも91.00%の高い精度を維持し、最小限のハードウェア制約下でも優れた性能を示した。
• データセット2（16名の被験者）でも99.50%の精度を達成し、異なる被験者コhortにおいても一貫した高い性能を確認した。
• ハイブリッドCNN-LSTMモデルは、スタンドアロンのCNNおよびLSTMモデルと比較して、収束が早く、訓練精度も高いことが、訓練精度曲線から明らかになった。
• SVMのような機械学習モデルは、PSD特徴を用いても、すべての周波数帯域で成績が悪く（平均精度約60%）、ベータ帯やガンマ帯では最大89.23%まで上昇したが、ディープラーニングが非線形的で複雑なパターンを捉える優位性を示した。
• 前頭部の電極配置が、頭皮の他の領域よりも高い分類精度を示し、特徴解釈における臨床的意義の可能性を示唆した。