[논문 리뷰] Individual Recognition in Schizophrenia using Deep Learning Methods with Random Forest and Voting Classifiers: Insights from Resting State EEG Streams

Lei Chu, Robert C. Qiu외 4명|arXiv (Cornell University)|2017. 06. 20.

EEG and Brain-Computer Interfaces참고 문헌 27인용 수 38

한 줄 요약

이 연구는 휴식 상태 뇌파(EEG) 스트림을 사용하여 정신분열증 환자에 대한 개인 식별 시스템을 딥러닝 기반으로 제안하며, 표준 소프트맥스 레이어를 랜덤 포레스트로 대체하고 투표 분류기(ensemble classifier)를 통합하여 분류 정확도를 향상시킨다. 이 방법은 초기 발병 정신분열증 환자에서 96.7%의 정확도와 건강한 대조군에서 99.2%의 정확도를 달성하여 전통적인 특징 기반 접근 방식보다 뛰어난 성능을 보였다.

ABSTRACT

Recently, there has been a growing interest in monitoring brain activity for individual recognition system. So far these works are mainly focussing on single channel data or fragment data collected by some advanced brain monitoring modalities. In this study we propose new individual recognition schemes based on spatio-temporal resting state Electroencephalography (EEG) data. Besides, instead of using features derived from artificially-designed procedures, modified deep learning architectures which aim to automatically extract an individual's unique features are developed to conduct classification. Our designed deep learning frameworks are proved of a small but consistent advantage of replacing the $softmax$ layer with Random Forest. Additionally, a voting layer is added at the top of designed neural networks in order to tackle the classification problem arisen from EEG streams. Lastly, various experiments are implemented to evaluate the performance of the designed deep learning architectures; Results indicate that the proposed EEG-based individual recognition scheme yields a high degree of classification accuracy: $81.6\%$ for characteristics in high risk (CHR) individuals, $96.7\%$ for clinically stable first episode patients with schizophrenia (FES) and $99.2\%$ for healthy controls (HC).

연구 동기 및 목표

• 휴식 상태 EEG 스트림을 이용하여 자동화되고 데이터 기반의 정신분열증 개인 식별 시스템을 개발하기 위해.
• 수작업으로 설계된 EEG 특징의 한계를 극복하기 위해 딥러닝을 활용해 엔드 투 엔드 특징 추출을 수행하기 위해.
• 소프트맥스 레이어를 랜덤 포레스트로 대체하고 투표 분류기를 통합하여 분류 정확도를 향상시키기 위해.
• 다양한 임상 집단(건강한 대조군, 초기 발병 정신분열증(FES), 고위험(CHR) 개인) 간의 복잡성과 일반화 능력을 평가하기 위해.
• 딥러닝 기반 EEG를 이용한 정신분열증의 조기 진단 및 감시 가능성을 입증하기 위해.

제안 방법

• 연구는 휴식 상태 기록에서 시간 도메인 및 주파수 도메인 EEG 스트림을 기반으로 훈련된 수정된 딥 네ural 네트워크 아키텍처(CNN, RNN, ANN)를 활용한다.
• 수정된 딥러닝 프레임워크는 최종 소프트맥스 레이어를 랜덤 포레스트(RF) 분류기로 대체하여 결정의 강건성 향상과 과적합 방지를 도모한다.
• 신경망 위에 투표 레이어를 추가하여 다수의 모델 예측을 집계함으로써 분류의 안정성과 정확도를 향상시킨다.
• 모델은 활성화 함수로 지수선형단위(ELU)를 사용하고, 차원 감소를 위해 맥스 풀링을 적용하며, 과적합 방지를 위해 드롭아웃(비율 0.25–0.5)을 적용한다.
• 프레임워크는 GPU 가속 환경에서 q=100의 윈도우 크기를 가진 1000중 교차검증을 통해 평가된다.
• 이 방법은 건강한 대조군(HC), 임상적으로 안정된 초기 발병 정신분열증(FES), 고위험(CHT) 개인의 세 가지 주요 집단에서 테스트된다.

실험 결과

연구 질문

• RQ1 휴식 상태 EEG 스트림을 기반으로 훈련된 딥러닝 모델이 정신분열증 환자와 건강한 대조군에서 높은 개인 식별 정확도를 달성할 수 있는가?
• RQ2 표준 소프트맥스 분류기를 랜덤 포레스트로 대체하면 EEG 기반 개인 식별의 성능 향상이 이루어지는가?
• RQ3 투표 레이어의 통합은 EEG 기반 개인 식별 시스템의 강건성과 정확도에 어떤 영향을 미치는가?
• RQ4 시간 도메인과 주파수 도메인 EEG 표현 방식은 다양한 임상 집단에서 분류 성능 측면에서 어떻게 비교되는가?
• RQ5 제안된 딥러닝 프레임워크의 성능은 더 큰 훈련 데이터와 향상된 하드웨어와 함께 확장 가능한가?

주요 결과

• 제안된 CNNV+RF 모델은 초기 발병 정신분열증(FES) 환자에서 최고의 분류 정확도 96.7%를 기록했고, 건강한 대조군(HC)에서는 99.2%의 정확도를 달성했다.
• 고위험(CHT) 개인에서는 CNNV+RF 모델이 81.6%의 정확도를 기록하여 조기 진단 잠재력이 높음을 시사했다.
• 소프트맥스 레이어를 랜덤 포레스트로 대체함으로써 모든 모델과 환자 집단에서 일관되고 측정 가능한 분류 정확도 향상이 관찰되었다.
• CNNV+RF 모델은 mSVM과 전통적인 소프트맥스를 사용한 구성보다도 MNIST 벤치마크와 EEG 데이터셋 양쪽에서 모두 최고의 성능을 보였다.
• 투표 레이어의 사용은 특히 EEG 데이터에서 흔히 발생하는 저신호대비비율 환경에서 모델의 안정성과 정확도를 크게 향상시켰다.
• 더 큰 훈련 데이터셋과 더 빠른 하드웨어에서 성능 향상이 관찰되어, 실용적 구현 가능성과 확장성 잠재력을 보였다.