[논문 리뷰] Parkinson's Disease Assessment from a Wrist-Worn Wearable Sensor in Free-Living Conditions: Deep Ensemble Learning and Visualization

Terry Taewoong Um, Franz Pfister외 6명|arXiv (Cornell University)|2018. 08. 08.

Neurological disorders and treatments참고 문헌 23인용 수 12

한 줄 요약

이 논문은 자유 생활 조건에서 파킨슨병의 운동 상태를 평가하기 위해 손목에 착용하는 가속도계 데이터를 사용하는 딥 앙상블 학습 프레임워크를 제안한다. 여러 개의 합성곱 신경망을 조합하고 해석 가능성을 위해 클래스 활성화 맵을 적용함으로써, 환자 간 운동 패턴의 변동성에도 불구하고 다양한 환자 집단에서 견고한 성능을 달성한다.

ABSTRACT

Parkinson's Disease (PD) is characterized by disorders in motor function such as freezing of gait, rest tremor, rigidity, and slowed and hyposcaled movements. Medication with dopaminergic medication may alleviate those motor symptoms, however, side-effects may include uncontrolled movements, known as dyskinesia. In this paper, an automatic PD motor-state assessment in free-living conditions is proposed using an accelerometer in a wrist-worn wearable sensor. In particular, an ensemble of convolutional neural networks (CNNs) is applied to capture the large variability of daily-living activities and overcome the dissimilarity between training and test patients due to the inter-patient variability. In addition, class activation map (CAM), a visualization technique for CNNs, is applied for providing an interpretation of the results.

연구 동기 및 목표

• 자율적이고 웨어러블 기반의 시스템을 개발하여 자유 생활 조건에서 파킨슨병 운동 상태를 평가하는 것.
• 다양한 운동 증상의 환자 간 변동성을 고려하여 합성곱 신경망의 앙상블를 활용하는 것.
• 클래스 활성화 맵(CAM) 시각화 기법을 통해 모델의 해석 가능성을 향상시키는 것.
• 저비용 웨어러블 센서를 사용하여 운동 변화를 지속적이고 실시간으로 모니터링하는 것.
• 치료제 복용 여부 및 이완운동과 같은 운동 상태를 구분함으로써 임상적 의사결정 지원을 하는 것.

제안 방법

• 일상 활동 중 손목에 착용한 센서에서 수집한 가속도계 데이터를 기반으로 다수의 합성곱 신경망(CNN) 앙상블을 훈련한다.
• 다양한 네트워크 아키텍처를 통합함으로써 개별 모델의 편향에 민감도를 낮추고 정확도를 향상시키는 앙상블 접근법을 적용한다.
• 모델의 예측에 가장 기여한 신호의 시간적 세그먼트를 시각화하기 위해 클래스 활성화 맵(CAMs)을 적용한다.
• 손목에서의 원시 가속도계 신호를 처리하여 떨림, 운동 지연, 이완운동과 같은 운동 증상을 탐지한다.
• 모델는 실제 임상 환경이 아닌 실생활 환경에서 수집된 환자 데이터를 기반으로 훈련 및 평가되어 생태학적 타당성을 확보한다.
• 환자 간 운동 패턴의 다양성을 고려하여 앙상블의 다양성을 활용함으로써 환자 간 변동성을 완화한다.

실험 결과

연구 질문

• RQ1 손목에 착용하는 가속도계 데이터를 기반으로 한 딥 앙상블 학습 모델은 자유 생활 조건에서 파킨슨병 운동 상태를 정확하게 분류할 수 있는가?
• RQ2 환자 간 운동 패턴의 변동성이 존재하는 상황에서 앙상블 아키텍처는 단일 CNN 모델 대비 성능을 어떻게 향상시키는가?
• RQ3 클래스 활성화 맵은 모델 예측에 임상적으로 의미 있는 해석을 제공할 수 있는 정도는 어느 정도인가?
• RQ4 통제된 실험실 환경 없이도 시스템은 복용 여부 및 이완운동과 같은 임상적으로 중요한 운동 상태를 탐지할 수 있는가?
• RQ5 다른 질환 진행도와 운동 패턴을 가진 환자들 사이에서 모델의 일반화 능력은 어떻게 평가되는가?

주요 결과

• 딥 앙상블 모델은 실생활 환경에서 손목에 착용하는 가속도계 데이터를 기반으로 파킨슨병 운동 상태를 높은 정확도로 분류했다.
• 앙상블 접근법은 환자 간 운동 패턴의 변동성에 대응하는 데 있어 단일 CNN 모델보다 유의미하게 뛰어난 성능을 보였다.
• 클래스 활성화 맵은 특정 운동 증상과 관련된 가속도계 신호의 관련 시간 세그먼트를 강조하는 해석 가능한 시각화를 제공했다.
• 시스템은 임상 환경 외부에서 일상 활동 중 운동 변화, 특히 이완운동과 약물 효과를 성공적으로 탐지했다.
• 다양한 환자 집단에서의 강인성과 일반화 능력이 입증되어 실생활 임상 적용 가능성이 확인되었다.
• 시각화 기법의 통합은 딥 러닝 예측에 대한 임상적 신뢰도와 해석 가능성을 향상시켰다.