[논문 리뷰] Feature-Set-Engineering for Detecting Freezing of Gait in Parkinson's Disease using Deep Recurrent Neural Networks

Spyroula Masiala, Willem Huijbers외 1명|arXiv (Cornell University)|2019. 09. 08.

Gait Recognition and Analysis참고 문헌 49인용 수 9

한 줄 요약

이 논문은 파킨슨병 환자의 걸음마 멈춤(FoG)을 탐지하기 위해 3차원 가속도계 데이터를 사용하여 장기 단기 기억(LSTM) 셀을 갖춘 딥 순환 신경망을 제안한다. 등반 및 통계적 특징을 복수의 센서 데이터에서 추출함으로써, 환자 독립적 설정에서는 93% AUC, 환자 종속적 설정에서는 97% AUC를 달성하여 최신 기술보다 뚜렷이 뛰어난 성능을 보였다.

ABSTRACT

Freezing of gait (FoG) is a common gait disability in Parkinson's disease, that usually appears in its advanced stage. Freeze episodes are associated with falls, injuries, and psychological consequences, negatively affecting the patients' quality of life. For detecting FoG episodes automatically, a highly accurate detection method is necessary. This paper presents an approach for detecting FoG episodes utilizing a deep recurrent neural network (RNN) on 3D-accelerometer measurements. We investigate suitable features and feature combinations extracted from the sensors' time series data. Specifically, for detecting FoG episodes, we apply a deep RNN with Long Short-Term Memory cells. In our experiments, we perform both user dependent and user independent experiments, to detect freeze episodes. Our experimental results show that the frequency domain features extracted from the trunk sensor are the most informative feature group in the subject independent method, achieving an average AUC score of 93%, Specificity of 90% and Sensitivity of 81%. Moreover, frequency and statistical features of all the sensors are identified as the best single input for the subject dependent method, achieving an average AUC score of 97%, Specificity of 96% and Sensitivity of 87%. Overall, in a comparison to state-of-the-art approaches from literature as baseline methods, our proposed approach outperforms these significantly.

연구 동기 및 목표

• 웨어러블 센서 데이터를 사용하여 파킨슨병에서 걸음마 멈춤(FoG) 발작을 고도로 정확하고 자동으로 탐지할 수 있는 방법을 개발하기 위해.
• 다양한 특징 집합과 센서 배치(발목, 허벅지, 등추)가 FoG 탐지 성능에 미치는 영향을 조사하기 위해.
• 환자 종속 및 환자 독립 설정에서 모두 최신 기술 기반 기준 방법과 비교하여 제안된 딥 순환 신경망 접근법의 성능을 평가하기 위해.
• 가장 유용한 특징 그룹을 식별함으로써 계산 기반 이해(computational sensemaking)를 가능하게 하기 위해.
• 다양한 환자의 운동 패턴에 걸쳐 견고한 성능과 과적합 위험 감소를 통해 실용적 구현을 지원하기 위해.

제안 방법

• 시간적 의존성을 3차원 가속도계 시계열 데이터에 모델링하기 위해 장기 단기 기억(LSTM) 셀을 갖춘 딥 순환 신경망(RNN)을 사용한다.
• 시간 도메인, 주파수 도메인, 통계적 방법을 통해 여러 센서 위치(발목, 허벅지, 등추)에서 센서 데이터로부터 특징을 추출한다.
• 과학 문헌과 경험적 성능 기반으로 특징 선택을 수행하며, 최적의 입력 표현을 위해 주로 주파수 및 통계적 특징에 중점을 둔다.
• 모델는 환자 종속 및 환자 독립 설정 모두에서 Daphnet 기준 데이터셋을 사용하여 훈련 및 평가된다.
• 클래스 불균형 문제를 완화하고 다수 클래스에 대한 과적합을 줄이기 위해 SMOTE 기반 균형 잡힌 평가 절차를 적용한다.
• 모델 및 실험 코드는 재현 가능성을 보장하고 향후 연구를 촉진하기 위해 공개된다.

실험 결과

연구 질문

• RQ1 환자 독립 설정에서 3차원 가속도계 데이터로부터 추출한 특징 그룹 중에서 걸음마 멈춤 탐지에 가장 유용한 것은 무엇인가?
• RQ2 환자 종속 설정에서 탐지 성능을 최대화하기 위한 최적의 센서 위치 조합과 특징 유형 조합은 무엇인가?
• RQ3 제안된 딥 LSTM 기반 방법은 AUC, 민감도, 특이도 측면에서 최신 기술 기반 방법과 비교해 어떻게 성능을 냈는가?
• RQ4 재학습 없이 다양한 환자 간에 효과적으로 일반화될 수 있는가(환자 독립 성능)?
• RQ5 등추 센서에서 추출한 주파수 도메인 특징이 견고한 FoG 탐지에 얼마나 기여하는가?

주요 결과

• 환자 독립 설정에서는 등추 센서의 주파수 도메인 특징가 가장 높은 성능를 보였으며, 평균 AUC 93%, 특이도 90%, 민감도 81%를 기록했다.
• 환자 종속 설정에서는 모든 센서에서 추출한 주파수 및 통계적 특징 조합이 가장 우수한 결과를 냈으며, 평균 AUC 97%, 특이도 96%, 민감도 87%를 달성했다.
• 제안된 방법은 환자 종속 및 환자 독립 평가 모두에서 최신 기술 기반 기준 방법을 뚜렷이 뛰어넘었으며, 특히 민감도와 AUC 측면에서 뛰어난 성능를 보였다.
• 모델는 환자 간에 뛰어난 견고성을 보였으며, 모든 개인에서 일관된 성능(AUC > 92.4%, 민감도 > 55%, 특이도 > 80%)을 보였고, 이전 연구에서 관찰된 과적합 문제를 피했다.
• 등추 센서만으로도 효과적인 FoG 탐지가 가능하다는 것이 확인되어, 경량 웨어러블 또는 스마트폰 기반 탐지 시스템의 잠재적 가능성을 시사했다.
• SMOTE 기반 균형 잡힌 평가 방법을 사용함으로써 모델의 일반화 능력 향상과 편향 감소 효과가 나타났으며, 이는 순수하게 무작위 교차 검증을 사용한 이전 방법과 비교해 특히 두드러졌다.