[논문 리뷰] EasiCSDeep: A deep learning model for Cervical Spondylosis Identification using surface electromyography signal

Nana Wang, Cui Li외 3명|arXiv (Cornell University)|2018. 12. 12.

Muscle activation and electromyography studies참고 문헌 27인용 수 5

한 줄 요약

이 논문은 다중 채널 표면 경피 전기근전도도(sEMG) 신호를 사용하여 경추 추간판염(CS)을 높은 정확도로 식별하는 새로운 딥러닝 모델인 EasiCSDeep을 제안한다. 여섯 개의 sEMG 채널에서 공간적 및 시간적 특징을 추출하기 위해 3차원 컨볼루션 신경망을 활용한 모델은 97.22%의 정확도를 달성하여 이전 방법들을 크게 능가하며, 저비용이고 휴대용 CS 스크리닝을 가능하게 한다.

ABSTRACT

Cervical spondylosis (CS) is a common chronic disease that affects up to two-thirds of the population and poses a serious burden on individuals and society. The early identification has significant value in improving cure rate and reducing costs. However, the pathology is complex, and the mild symptoms increase the difficulty of the diagnosis, especially in the early stage. Besides, the time-consuming and costliness of hospital medical service reduces the attention to the CS identification. Thus, a convenient, low-cost intelligent CS identification method is imperious demanded. In this paper, we present an intelligent method based on the deep learning to identify CS, using the surface electromyography (sEMG) signal. Faced with the complex, high dimensionality and weak usability of the sEMG signal, we proposed and developed a multi-channel EasiCSDeep algorithm based on the convolutional neural network, which consists of the feature extraction, spatial relationship representation and classification algorithm. To the best of our knowledge, this EasiCSDeep is the first effort to employ the deep learning and the sEMG data to identify CS. Compared with previous state-of-the-art algorithm, our algorithm achieves a significant improvement.

연구 동기 및 목표

• 표면 전기근전도도(sEMG) 신호를 활용하여 저비용, 휴대용, 지능형 경추 추간판염(CS) 조기 식별 방법을 개발하기 위해.
• CS 분류에서 고차원적, 노이즈가 많은, 완전하지 않은 sEMG 데이터의 과제를 해결하기 위해.
• 기존 방법들과 비교해 진단 정확도, 민감도, 특이도를 향상시키기 위해.
• 고비용 영상 촬영 및 병원 기반 진단에 대한 의존도를 줄여 광범위한 스크리닝을 가능하게 하기 위해.
• 증상 진행 이전에 경미하거나 무증상인 CS 병변을 조기에 탐지하여 조기에 간섭할 수 있도록 지원하기 위해.

제안 방법

• EasiCSDeep 모델은 다중 채널 sEMG 신호를 처리하기 위해 3차원 컨볼루션 신경망(CNN)을 사용하여 근육군 간의 공간적 및 시간적 의존성을 포착한다.
• 원시 sEMG 신호를 효율적인 딥러닝 처리를 위한 행렬형 데이터로 변환하여 특징 표현을 향상시킨다.
• 시간 도메인, 주파수 도메인, 웨이블릿 특징 등 여섯 가지의 서로 다른 sEMG 특징 유형이 별도의 입력 채널을 통해 동시에 처리되어 표현을 풍부하게 한다.
• 다중 척도 필터 크기 전략을 적용하였으며, 최적의 성능는 (5,5) 필터 크기에서 달성되어 효과적인 공간적 관계 모델링이 가능하다.
• 차원 감소와 일반화 능력 향상을 위해 최대 풀링 레이어를 사용하며, 최종적으로 분류를 위한 완전 연결 레이어를 적용한다.
• 고차원적 sEMG 데이터를 처리하면서도 노이즈 및 데이터 불완전성에 강건성을 유지할 수 있도록 아키텍처를 설계하였다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 표면 전기근전도도(sEMG) 신호만을 사용하여 경추 추간판염을 효과적으로 분류할 수 있는가?
• RQ2 sEMG 채널 수가 CS 식별의 분류 성능에 어떤 영향을 미치는가?
• RQ3 sEMG 신호에서 의미 있는 공간적 관계를 포착하기 위한 최적의 필터 크기 구성은 무엇인가?
• RQ4 정확도, 민감도, 특이도 측면에서 EasiCSDeep은 기존의 전통적 기계학습 방법보다 얼마나 뛰어나게 성능을 발휘하는가?
• RQ5 노이즈가 많거나 불완전하거나 고차원적인 sEMG 데이터가 존재하더라도 모델이 잘 일반화되는가?

주요 결과

• EasiCSDeep 모델은 여섯 개의 sEMG 채널을 사용하여 최고 97.22%의 정확도를 달성하였으며, 이는 세 채널 모델(78.25%)과 네 채널 모델(83.15%)을 크게 능가하는 성과이다.
• (5,5) 필터 크기에서 가장 높은 정확도가 달성되어 최적의 공간적 특징 추출이 이루어졌음을 시사하며, 더 작은 필터(예: 2×2)는 낮은 성능(80.56%)을 보였다.
• 기존 최고 수준의 방법들과 비교해 민감도는 1.78%p, 특이도는 11.43%p 향상되었다.
• 채널마다 여섯 가지의 서로 다른 sEMG 특징 유형을 포함시킴으로써 모델 성능 향상이 이루어졌으며, 이는 다중 모odal 특징 표현의 중요성을 입증한다.
• 생리적으로 가까운 또는 功能적으로 관련된 근육에서 유도된 sEMG 신호 간에 강한 공간적 상관관계가 있음을 확인하여, 모델 설계 선택의 타당성을 뒷받침한다.
• 노이즈, 불완전성, 고차원적 데이터에 대한 모델의 강건성은 실생활 저자원 임상 환경에서의 실용적 적용 가능성을 시사한다.