[논문 리뷰] MHDeep: Mental Health Disorder Detection System based on Body-Area and Deep Neural Networks

Shayan Hassantabar, Joe Zhang외 2명|arXiv (Cornell University)|2021. 02. 20.

Digital Mental Health Interventions참고 문헌 40인용 수 4

한 줄 요약

MHDeep는 스마트워치와 스마트폰의 웨어러블 센서로부터 생리적 및 행동 데이터를 수집하는 새로운 정신건강 장애 진단 시스템입니다. 합성 데이터 증강과 성장 및 잘라내기(-grow-and-prune) 구조를 가진 딥 네ural 네트워크(DNN) 아키텍처를 활용하여, 정신분열병성, 중우장애, 양극성 장애를 정확하고 엣지 기반으로 구동 가능한 진단을 가능하게 합니다. 단 16~40분의 연속 데이터만으로도 정신분열병성 및 중우장애에 대해 환자 수준에서 100%의 정확도를 달성합니다.

ABSTRACT

Mental health problems impact quality of life of millions of people around the world. However, diagnosis of mental health disorders is a challenging problem that often relies on self-reporting by patients about their behavioral patterns. Therefore, there is a need for new strategies for diagnosis of mental health problems. The recent introduction of body-area networks consisting of a plethora of accurate sensors embedded in smartwatches and smartphones and deep neural networks (DNNs) points towards a possible solution. However, disease diagnosis based on WMSs and DNNs, and their deployment on edge devices, remains a challenging problem. To this end, we propose a framework called MHDeep that utilizes commercially available WMSs and efficient DNN models to diagnose three important mental health disorders: schizoaffective, major depressive, and bipolar. MHDeep uses eight different categories of data obtained from sensors integrated in a smartwatch and smartphone. Due to limited available data, MHDeep uses a synthetic data generation module to augment real data with synthetic data drawn from the same probability distribution. We use the synthetic dataset to pre-train the DNN models, thus imposing a prior on the weights. We use a grow-and-prune DNN synthesis approach to learn both the architecture and weights during the training process. We use three different data partitions to evaluate the MHDeep models trained with data collected from 74 individuals. We conduct data instance level and patient level evaluations. MHDeep achieves an average test accuracy of 90.4%, 87.3%, and 82.4%, respectively, for classifications between healthy instances and schizoaffective disorder instances, major depressive disorder instances, and bipolar disorder instances. At the patient level, MHDeep DNNs achieve an accuracy of 100%, 100%, and 90.0% for the three mental health disorders, respectively.

연구 동기 및 목표

• 실제로 수집하기 어려운 정신건강 데이터셋의 부족 문제를 해결하기 위해 합성 데이터 생성 기법을 활용해 실제 생리적 센서 데이터를 보완합니다.
• 스마트폰과 스마트워치에 탑재된 상용 웨어러블 의료 센서(WMS)를 활용해 지속적인 정신건강 모니터링을 위한 확장 가능하고 자동화된 시스템을 개발합니다.
• 원시 센서 스트림을 직접 처리함으로써 수동적 특징 엔지니어링을 제거하고 엔드 투 엔드 딥 네URAL 네트워크를 활용합니다.
• 스마트폰과 같은 엣지 디바이스에 배포 가능한 계산 효율성이 높은 DNN 모델을 설계하여 실시간, 광범위한 정신건강 진단을 가능하게 합니다.
• 정신분열병성, 중우장애, 양극성 장애의 세 가지 주요 정신건강 장애에 대해 데이터 인스턴스 수준과 환자 수준에서 높은 진단 정확도를 달성합니다.

제안 방법

• 스마트워치와 스마트폰에서 생리적, 운동, 환경 데이터의 여덟 가지 유형을 수집하여 종합적인 센서 데이터셋을 구성합니다.
• 실제 데이터를 보완하기 위해 합성 데이터 생성 기법을 적용하여, 합성 샘플이 실제 데이터와 동일한 확률 분포를 따르도록 보장함으로써 모델의 일반화 능력을 향상시킵니다.
• 학습 과정에서 최적의 네트워크 아키텍처와 가중치를 동시에 학습하는 성장 및 잘라내기(DNN) 합성 기법을 사용하여 모델의 효율성과 정확도를 향상시킵니다.
• 합성 데이터셋을 사용해 DNN 가중치를 사전 학습함으로써 모델 파rameter에 사전 지식를 부여하여, 작은 실제 세계 데이터셋에서의 성능을 향상시킵니다.
• 평가를 위해 세 가지 데이터 파artition을 사용합니다: 15초 창 단위의 다수결 투표를 통한 인스턴스 수준 및 환자 수준의 분류.
• 학습된 모델을 엣지 디바이스에 배포하여 실시간 추론을 구현함으로써 지속적이고 비침습적인 정신건강 모니터링을 가능하게 합니다.

실험 결과

연구 질문

• RQ1 수동적 특징 엔지니어링 없이도 상용 웨어러블 기반의 원시 센서 데이터만으로도 딥 러닝 시스템이 정신건강 장애에 대해 높은 진단 정확도를 달성할 수 있는가?
• RQ2 실제 세계의 정신건강 데이터셋이 작고 불균형할 경우, 합성 데이터 생성이 모델 성능 향상에 얼마나 기여하는가?
• RQ3 정신분열병성, 중우장애, 양극성 장애의 환자 수준 진단을 위해 얼마나 많은 연속된 센서 데이터가 필요한가?
• RQ4 성장 및 잘라내기 DNN 아키텍처는 스마트폰과 스마트워치에 배포 가능한 계산 효율성을 유지하면서도 높은 정확도를 달성할 수 있는가?
• RQ5 시스템은 임상적으로 의미 있는 정확도를 환자 수준에서 달성할 수 있는가? 이는 실제 임상 의사결정 지원에 충분한가?

주요 결과

• MHDeep는 정신분열병성 장애를 앓는 환자와 건강한 사람을 구분하는 데 있어 데이터 인스턴스 수준에서 평균 테스트 정확도 90.4%를 달성합니다.
• 환자 수준에서 정신분열병성 장애의 경우 40분의 연속 센서 데이터를 사용할 때 100%의 정확도를 기록합니다.
• 중우장애의 경우 16분의 데이터 수집 후 환자 수준에서 100%의 정확도를 달성합니다.
• 양극성 장애의 경우 22분의 데이터 수집 후 환자 수준 정확도가 90.0%에 도달하여, 더 높은 진단 복잡성에도 불구하고 뛰어난 성능을 보입니다.
• 성장 및 잘라내기 DNN 합성 방법은 네트워크 아키텍처와 가중치를 동시에 성공적으로 학습하여, 엣지 배포에 적합한 계산 효율성이 높은 모델을 도출합니다.
• 합성 데이터 생성은 데이터 부족 문제를 효과적으로 완화하여 강력한 사전 학습과 제한된 실제 세계 데이터셋에서의 모델 일반화 능력을 향상시킵니다.