[논문 리뷰] Deep learning from wristband sensor data: towards wearable, non-invasive seizure forecasting

Christian Meisel, Rima El Atrache외 4명|arXiv (Cornell University)|2019. 06. 03.

EEG and Brain-Computer Interfaces참고 문헌 24인용 수 8

한 줄 요약

이 연구는 50명의 간질 환자로부터 수집한 다중 모odal 손목밴드 센서 데이터(EDA, BVP, 온도, 동작 측정)를 이용한 딥러닝 기반 비침습적 발작 예측 방법을 제안한다. 원시 센서 입력을 기반으로 1D 및 2D 합성곱 신경망을 적용하여 이질적 상태를 보다 잘 예측할 수 있었으며, 이는 유한한 환자군에서 이질적 상태 예측 성능이 우연의 결과를 초월하는 데 성공했다. 유한한 환자군에서 이질적 상태 예측 성능이 우연의 결과를 초월하는 데 성공했다. 유한한 환자군에서 이질적 상태 예측 성능이 우연의 결과를 초월하는 데 성공했다. 이는 착용형 비침습적 발작 위험 평가의 가능성을 입증한다.

ABSTRACT

Seizure forecasting may provide patients with timely warnings to adapt their daily activities and help clinicians deliver more objective, personalized treatments. While recent work has convincingly demonstrated that seizure risk assessment is possible, these early approaches relied largely on complex, often invasive setups including intracranial electrocorticography, implanted devices and multi-channel EEG, which limits translation of these methods to broad clinical application. To facilitate broader adaptation of seizure forecasting in clinical practice, non-invasive, easily applicable techniques that reliably assess seizure risk, in combination with clinical information, are crucial. Wristbands that continuously record physiological parameters, including electrodermal activity, body temperature, blood volume pressure and actigraphy, may afford monitoring of autonomous nervous system function and movement relevant for such a task, hence minimizing potential complications associated with invasive monitoring, and avoiding stigma associated with bulky external monitoring devices on the head. Here, we use deep learning to analyze long-term, multi-modal wristband sensor data from 50 patients with epilepsy (total duration $>$1400 hours) to assess its capability to distinguish preictal from interictal states. Prediction performance is assessed using area under the receiver operating charateristic (AUC) and improvement over chance (IoC) based on F1 scores. Using one- and two-dimensional convolutional neural networks, we identified better-than-chance predictability in out-of-sample test data in 60\% of the patients in leave-one-out and 43\% of patients in pseudo-prospective approaches. These results provide a step towards developing easier to apply, non-invasive methods for seizure risk assessments in patients with epilepsy.

연구 동기 및 목표

• 비침습적 손목밴드 센서 데이터가 딥러닝을 통해 신뢰할 수 있는 발작 위험 예측을 가능하게 하는지 평가하는 것.
• 원시 다중 모달 생리적 신호를 기반으로 1D 및 2D 합성곱 신경망(CNN)이 이질적 상태와 발작 전 상태를 구분하는 데 성능을 보이는지 평가하는 것.
• 이 방법이 샘플 외 조건에서의 전망적 테스트 조건으로 일반화되는지 평가하는 것. 이는 실제 현장 적용을 시뮬레이션하는 데 목적이 있다.
• 착용형 연속 모니터링이 간질 환자의 자율성 향상과 임상 치료의 개인화에 기여할 잠재력을 탐색하는 것.

제안 방법

• 병원 내 모니터링 기간 동안 50명의 간질 환자로부터 다중 모달 손목밴드 데이터(EDA, BVP, 온도, 3D 동작 측정)를 수집하였으며, 총 기록 시간은 1400시간 이상을 초과한다.
• 발작 전 상태를 발작 61초에서 1분 전의 30초 간격 세그먼트로 정의하고, 발작으로부터 2시간 이상 떨어진 세그먼트를 이질적 상태로 정의한다.
• 손쉬운 특징 엔지니어링 없이 원시 센서 데이터를 입력으로 사용한 1D 및 2D 합성곱 신경망(CNN)을 적용한다.
• 일반화 능력과 전망적 성능 평가를 위해 유한한 환자 교차 검증 및 가짜 전망적 검증을 적용한다.
• 모델 성능 평가에 영역 under the ROC 곡선(AUC)과 F1 점수 기반의 우연의 결과 초월 성능(IoC)을 사용한다.
• 여러 기기 사용 시 환자당 가장 긴 손목밴드 기록을 선택하여 데이터 일관성을 확보한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 원시 다중 모달 손목밴드 센서 데이터를 기반으로 간질 환자에서 이질적 상태와 발작 전 상태를 구분할 수 있는가?
• RQ2 제안된 방법이 유한한 환자 교차 검증 및 가짜 전망적 검증 설정 모두에서 우연의 결과를 초월하는 예측 성능을 달성하는가?
• RQ3 동일한 데이터에 대해 원시 데이터를 사용한 1D CNN의 성능과 동일 데이터의 파wer 스펙트럼 밀도 표현을 사용한 2D CNN의 성능는 어떻게 비교되는가?
• RQ4 이 비침습적 착용형 접근 방식이 실제 세계의 전망적 발작 예측에 얼마나 기여할 수 있는가?

주요 결과

• 제안된 방법은 유한한 환자 교차 검증 접근 방식을 통해 60%의 환자에서 우연의 결과를 초월하는 예측 가능성을 확보하였다.
• 더 현실적인 가짜 전망적 검증 설정에서, 이 방법은 43%의 환자에서 우연의 결과를 초월하는 성능을 보였다.
• 시험 환경에서 원시 센서 입력을 사용한 1D 합성곱 신경망이 파워 스펙트럼 밀도 표현을 사용한 2D CNN보다 우수한 성능를 보였다.
• 본 연구는 다중 모달 손목밴드 센서 데이터와 딥러닝을 융합하여, 샘플 외 전망적 조건에서도 통계적으로 유의미한 정확도로 이질적 상태를 탐지할 수 있음을 확인하였다.
• 결과적으로 이 비침습적 착용형 모니터링 시스템이 임상 현장에서 확장 가능하고 환자에게 친화적인 발작 예측을 가능하게 할 수 있음을 시사한다.