[논문 리뷰] A pilot study of the Earable device to measure facial muscle and eye movement tasks among healthy volunteers

Matthew F. Wipperman, Galen Pogoncheff외 10명|arXiv (Cornell University)|2022. 02. 01.

Facial Nerve Paralysis Treatment and Research참고 문헌 43인용 수 5

한 줄 요약

이 pilot 연구는 건강한 자원자들을 대상으로 EMG, EOG, EEG 신호를 사용하여 이어블 웨어러블 장치의 얼굴 및 눈동자 운동을 객관적이고 정량적으로 측정하는 데 초점을 맞춘다. 이 연구는 이러한 신호의 요약 특징을 통해 모의 성과 결과(most-PerfO) 작업을 정확하게 분류할 수 있음을 입증한다—말하기, 씹기, 삼키기 작업에서 F1 점수 >0.9를 기록하며, 이는 컨volutional 신경망(CNN)을 능가한다. 특히 EMG 및 EOG 특징이 분류에 핵심적인 역할을 한다.

ABSTRACT

Many neuromuscular disorders impair function of cranial nerve enervated muscles. Clinical assessment of cranial muscle function has several limitations. Clinician rating of symptoms suffers from inter-rater variation, qualitative or semi-quantitative scoring, and limited ability to capture infrequent or fluctuating symptoms. Patient-reported outcomes are limited by recall bias and poor precision. Current tools to measure orofacial and oculomotor function are cumbersome, difficult to implement, and non-portable. Here, we show how Earable, a wearable device, can discriminate certain cranial muscle activities such as chewing, talking, and swallowing. We demonstrate using data from a pilot study of 10 healthy participants how Earable can be used to measure features from EMG, EEG, and EOG waveforms from subjects performing mock Performance Outcome Assessments (mock-PerfOs), utilized widely in clinical research. Our analysis pipeline provides a framework for how to computationally process and statistically rank features from the Earable device. Finally, we demonstrate that Earable data may be used to classify these activities. Our results, conducted in a pilot study of healthy participants, enable a more comprehensive strategy for the design, development, and analysis of wearable sensor data for investigating clinical populations. Additionally, the results from this study support further evaluation of Earable or similar devices as tools to objectively measure cranial muscle activity in the context of a clinical research setting. Future work will be conducted in clinical disease populations, with a focus on detecting disease signatures, as well as monitoring intra-subject treatment responses. Readily available quantitative metrics from wearable sensor devices like Earable support strategies for the development of novel digital endpoints, a hallmark goal of clinical research.

연구 동기 및 목표

• 이어블 장치가 제어된 얼굴 및 눈동자 운동 작업 동안 EMG, EOG, EEG 신호로부터 의미 있는 특징을 추출하고 처리할 수 있는지 평가하기.
• 이어블에서 유도된 특징의 재측정 신뢰도와 데이터 품질을 평가하기.
• 이어블 특징가 서로 다른 모의-성과 결과(most-PerfO) 활동을 구분할 수 있는지 확인하기.
• 특정 뇌신경 근육 및 눈동자 운동 작업을 분류하는 데 가장 유용한 특징 유형을 특정하기.

제안 방법

• 이어블 장치가 수집한 16개의 모의-성과 결과(most-PerfO) 작업 동안의 원시 EMG, EOG, EEG 파형에서 총 161개의 요약 특징을 추출하였다.
• 특징 벡터를 사용하여 활동 분류를 위한 기계학습 모델을 훈련하였으며, 성능 평가를 위해 보류된 테스트 세트를 사용하였다.
• 저수준의 원시 파형 표현을 기반으로 한 컨volutional 신경망(CNN)을 훈련하여 특징 기반 모델과의 분류 성능를 비교하였다.
• 재측정 신뢰도와 아침 및 저녁 세션 간의 개인 내 일관성을 평가하기 위해 분산 성분 분석을 적용하였다.
• 특징의 안정성과 재현 가능성을 평가하기 위해 스피어만 상관계수 및 집단내 상관계수(ICC) 값을 계산하였다.
• 작업 정체성을 예측하는 데 가장 유용한 특징을 특정하기 위해 특징의 통계적 순위를 매겼다.

실험 결과

연구 질문

• RQ1 이어블 장치는 건강한 개인의 제어된 얼굴 및 눈동자 운동에서 EMG, EOG, EEG 특징을 신뢰성 있게 추출하고 처리할 수 있는가?
• RQ2 이어블 특징는 반복 측정(재측정 신뢰도)과 하루 동안 다른 시간대에 걸쳐 일관된가?
• RQ3 이어블 특징를 기반으로 훈련된 기계학습 모델은 높은 정확도로 서로 다른 모의-성과 결과(most-PerfO) 작업을 구분할 수 있는가?
• RQ4 어느 유형의 특징(EMG, EOG, EEG 또는 유도된 통계치)이 특정 작업을 분류하는 데 가장 정보를 제공하는가?
• RQ5 요약 특징를 기반으로 한 모델이 원시 파형 데이터를 사용하는 딥러닝 모델보다 작업 분류 성능에서 뛰어나지 않는가?

주요 결과

• 이어블 장치는 요약 특징를 사용하여 말하기, 씹기, 삼키기 작업을 분류할 때 F1 점수 >0.9를 기록하여 강력한 분류 성능를 입증하였다.
• 모든 작업의 분류에 있어 EMG 특징가 필수적이었으며, 특히 시선 관련 활동의 분류에 EOG 특징가 특히 중요한 역할을 하였다.
• 특징 기반 분류 모델이 모의-성과 결과(most-PerfO) 활동을 분류하는 데서 CNN 모델을 능가하여, 이 맥락에서 공학된 특징가 원시 파형 표현보다 더 효과적임을 시사하였다.
• 분산 성분 분석 결과, 참가자 및 시간대 간 일관된 특징의 신뢰도를 보였으며, ICC 값은 양호한 재측정 신뢰도를 나타내었다.
• 연구는 작업 정체성을 가장 잘 예측하는 통계적으로 순위가 매겨진 특징의 집합을 특정하였으며, 향후 디지털 엔드포인트 개발을 위한 틀을 제공하였다.
• 결과는 이어블 장치가 신경근질환에서 뇌신경 기능 평가를 객관적이고 이식 가능하며 반복 가능한 방식으로 수행할 수 있는 도구로 활용될 잠재력을 뒷받침한다.