[논문 리뷰] Novel EEG based Schizophrenia Detection with IoMT Framework for Smart Healthcare

Geetanjali Sharma, Amit M. Joshi|arXiv (Cornell University)|2021. 11. 19.

EEG and Brain-Computer Interfaces인용 수 7

한 줄 요약

이 논문은 소규모 19명의 환자 데이터셋을 사용하여 99.9%의 정확도로 자동화된 EEG 기반 정신분열증 진단을 위한 새로운 CNN-LSTM 하이브리드 딥러닝 모델 SzHNN을 제안한다. 이 모델은 국소적 특징 추출을 위해 컨볼루션 레이어를 활용하고, 시퀀스 분류를 위해 LSTM을 사용하여, 단지 5개의 전극조차도 높은 성능을 달성한다. 또한 이는 원격 실시간 스마트 헬스케어 모니터링을 위한 IoMT 프레임워크에 통합되어 있다.

ABSTRACT

In the field of neuroscience, Brain activity analysis is always considered as an important area. Schizophrenia(Sz) is a brain disorder that severely affects the thinking, behaviour, and feelings of people all around the world. Electroencephalography (EEG) is proved to be an efficient biomarker in Sz detection. EEG is a non-linear time-seriesi signal and utilizing it for investigation is rather crucial due to its non-linear structure. This paper aims to improve the performance of EEG based Sz detection using a deep learning approach. A novel hybrid deep learning model known as SzHNN (Schizophrenia Hybrid Neural Network), a combination of Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) has been proposed. CNN network is used for local feature extraction and LSTM has been utilized for classification. The proposed model has been compared with CNN only, LSTM only, and machine learning-based models. All the models have been evaluated on two different datasets wherein Dataset 1 consists of 19 subjects and Dataset 2 consists of 16 subjects. Several experiments have been conducted for the same using various parametric settings on different frequency bands and using different sets of electrodes on the scalp. Based on all the experiments, it is evident that the proposed hybrid model (SzHNN) provides the highest classification accuracy of 99.9% in comparison to other existing models. The proposed model overcomes the influence of different frequency bands and even showed a much better accuracy of 91% with only 5 electrodes. The proposed model is also evaluated on the Internet of Medical Things (IoMT) framework for smart healthcare and remote monitoring applications.

연구 동기 및 목표

• 주관적인 임상 진단의 한계를 극복하고, EEG 신호를 이용한 조기 정신분열증 진단을 위한 고정확도의 자동화된 시스템을 개발하는 것.
• 비선형적이고 복잡한 EEG 시계열 데이터에 도전하기 위해 딥러닝을 활용해 강력한 특징 추출 및 분류를 수행하는 것.
• 임상적 제약 조건을 고려하여 다양한 전극 수와 주파수 대역에서 제안된 모델의 성능을 평가하여, 내구성과 임상 적용 가능성 여부를 분석하는 것.
• 원격 실시간 및 확장 가능한 스마트 헬스케어 응용을 위한 인터넷 오브 메디컬 토모로(이하 IoMT) 프레임워크에 진단 모델을 통합하는 것.
• 제안된 하이브리드 딥러닝 모델이 기존의 전통적 머신러닝 및 독립적인 딥러닝 모델(CNN-단독, LSTM-단독)보다 뛰어난 성능을 보임을 검증하는 것.

제안 방법

• 하이브리드 딥러닝 아키텍처인 SzHNN는 EEG 신호에서 국소적 공간적 특징을 추출하기 위한 컨볼루션 신경망(CNN)과 시간적 시퀀스 모델링 및 분류를 위한 장기 단기 기억(LSTM) 네트워크를 조합한다.
• 두 데이터셋(19명의 환자(Dataset 1), 16명의 환자(Dataset 2))의 EEG 데이터는 다양한 주파수 대역(델타, 테타, 알파, 베타, 감마)과 전극 구성에서 사전 처리 및 분석되었다.
• 모델는 다양한 매개변수 설정(전극 수 5개에서 32개까지)을 통해 훈련 및 평가되었으며, 임상적 제약 조건 하에서의 성능을 평가하기 위해 수행되었다.
• 시스템은 EEG 데이터가 웨어러블 기기로 캡처되고, 엣지에서 사전 처리된 후 클라우드로 전송되며, 실시간 진단을 위해 분석되는 IoMT 프레임워크 내부에 통합되어 있다.
• 가중치 매개변수들은 클라우드에 저장되어 모델 재사용이 가능하며, 의료 제공자는 제어 시스템을 통해 환자 기록에 접근하고 피드백을 수신하여 원격으로 개입이 가능하다.
• 정확도를 주요 평가 지표로 삼아, 단독 CNN, LSTM 및 전통적 머신러닝 모델(SVM에 PSD 특징 적용 등)과의 성능 비교를 수행하였다.

실험 결과

연구 질문

• RQ1 하이브리드 CNN-LSTM 딥러닝 모델이 정신분열증 진단을 위한 EEG 신호 분류에서 단독 CNN, LSTM 및 전통적 머신러닝 모델보다 뛰어난 성능을 보일 수 있는가?
• RQ2 전극 수가 제안된 SzHNN 모델의 분류 정확도에 미치는 영향은 무엇이며, 특히 소수의 전극 구성(예: 5개 전극)에서의 성능은 어떠한가?
• RQ3 모델의 성능에 영향을 미치는 주요 요소로 작용하는 EEG 주파수 대역(예: 테타, 감마)이나 두피 상의 전극 배치는 어느 정도의 영향을 미치는가?
• RQ4 수작업으로 정의된 특징(예: 전문가가 정의한 생물학적 지표)에 의존하지 않고도 고정확도의 모델 성능를 달성할 수 있는가?
• RQ5 IoMT 기반 스마트 헬스케어 프레임워크에 SzHNN 모델을 통합할 경우, 원격 실시간 정신분열증 모니터링에 얼마나 효과적인가?

주요 결과

• 제안된 SzHNN 모델은 32개 전극을 사용하여 Dataset 1(19명의 환자)에서 99.9%의 분류 정확도를 기록하였으며, 모든 기준 모델보다 뚜렷하게 뛰어난 성능을 보였다.
• 단지 5개의 전극만으로도 91.00%의 높은 정확도를 유지하여, 최소한의 하드웨어 제약 조건 하에서도 강력한 성능을 입증하였다.
• Dataset 2(16명의 환자)에서 모델은 99.50%의 정확도를 기록하여, 다양한 환자 집단 간 일관된 고정확도 성능을 확인하였다.
• 하이브리드 CNN-LSTM 모델은 단독 CNN 및 LSTM 모델보다 빠른 수렴 속도와 더 높은 훈련 정확도를 보였으며, 훈련 정확도 곡선을 통해 이를 확인할 수 있었다.
• SVM에 PSD 특징를 적용한 머신러닝 모델은 모든 주파수 대역에서 평균 정확도 약 60%로 낮은 성능를 보였으며, 베타 및 감마 대역에서는 최대 89.23%까지 상승하는 등 일부 대역에서는 뛰어난 성능를 보였지만, 이는 딥러닝이 비선형 복잡 패턴을 효과적으로 포착할 수 있음을 시사한다.
• 전두엽 전극 배치에서 다른 두피 영역보다 높은 분류 정확도를 기록하여, 향후 특징 해석에 임상적 의미가 있을 수 있음을 시사한다.