[論文レビュー] Deep Echo State Networks for Diagnosis of Parkinson's Disease

Claudio Gallicchio, Alessio Micheli+1 more|arXiv (Cornell University)|Feb 19, 2018

Neural Networks and Reservoir Computing参考文献 10被引用数 12

ひとこと要約

本稿では、特徴工学を回避するため、生のタブレットベースのスパイラル図の時系列データを用いてパーキンソン病（PD）の診断を目的とした、ディープエコー状態ネットワーク（DeepESN）を提案する。モデルは階層的な時系列ダイナミクスを捉え、アンサンブル学習を用いて89.33%のテスト精度を達成し、同じデータセット上で浅いESNや最先端手法を顕著に上回る性能を示した。

ABSTRACT

In this paper, we introduce a novel approach for diagnosis of Parkinson's Disease (PD) based on deep Echo State Networks (ESNs). The identification of PD is performed by analyzing the whole time-series collected from a tablet device during the sketching of spiral tests, without the need for feature extraction and data preprocessing. We evaluated the proposed approach on a public dataset of spiral tests. The results of experimental analysis show that DeepESNs perform significantly better than shallow ESN model. Overall, the proposed approach obtains state-of-the-art results in the identification of PD on this kind of temporal data.

研究の動機と目的

• タブレット上でのスパイラル図テストから得られる生の時系列信号を用いた、エンドツーエンドのディープラーニング手法によるPD診断の開発。
• 浅いモデルと比較して、深層再帰的アーキテクチャ（例：DeepESN）が、運動障害データにおける複雑でノイズの多い時系列ダイナミクスをより効果的にモデル化できるかどうかの評価。
• DeepESNが学習する階層的な時系列表現が、手動による特徴抽出や前処理を伴わずに分類性能を向上させることの実証。
• 同じ公開データセット上で、提案手法を既存の最先端手法と比較すること。
• アンサンブル学習がPD診断におけるモデルの頑健性と性能に与える影響の評価。

提案手法

• 本手法は、スパイラルテストからの順序付きタブレット入力データをモデル化するため、ディープリザボアーレイティングコンピューティングフレームワークとしてのディープエコー状態ネットワーク（DeepESN）を用いる。
• 各DeepESN層は、入力重み、再帰的重み、層間接続を含む状態遷移方程式を用いた、漏れのある積分・放電型更新則を適用する。
• ネットワークの状態は、すべてのリザボア層状態の連結として計算され、再帰的重み行列にスペクトル半径制約を課してエコー状態性を満たす。
• 分類のための固定長表現を生成するために、入力シーケンス全体にわたる平均状態マッピングが適用される。
• 読み出し層のみがリッジ回帰を用いて学習され、正則化パラメータは交差検証により調整される。
• 一般化性能と性能向上のため、複数のリザボア実現のアンサンブル平均が適用される。

実験結果

リサーチクエスチョン

• RQ1 DeepESNは、PD診断のためのタブレットベースのスパイラル図信号に内在する複雑でマルチタイムスケールのダイナミクスを効果的にモデル化できるか？
• RQ2 DeepESNが学習する階層的な時系列表現は、生の時系列データにおいて浅いESNと比較して分類精度を向上させるか？
• RQ3 アンサンブル学習は、PD診断におけるDeepESNの頑健性と性能をどの程度向上させるか？
• RQ4 圧力と速度の統計的分析に依存する既存の最先端手法と比較して、本手法はどのように異なるか？
• RQ5 DeepESNの予測能力は、平均圧力のような単純な要約統計量ではなく、完全な時系列信号に起因するか？

主な発見

• アンサンブルによる複数のリザボア実現を用いたDeepESNモデルは、テスト精度89.33%を達成した。これは浅いESNの84.13%を顕著に上回った。
• DeepESNは浅いESNに対して2.13パーセンテージポイントの精度向上を示し、McNemar検定によりp値0.0032で統計的に有意な差が確認された。
• アンサンブルアプローチにより、単一のDeepESNモデルと比較してテスト精度が2.13パーセンテージポイント向上し、一般化性能の向上が示された。
• テストセットでは、感度90.00%、特異度80.00%を達成し、PD患者の強力な検出と適切な対照群分類が可能であることが示された。
• 本手法は、圧力と速度の統計的分析に依存する以前の最先端手法（同じデータセットで79.1%の正確性）を上回った。
• データセットにおける平均圧力とPD状態との間の弱い相関（−0.31）は、単純な統計量では不十分であることを示しており、完全な時系列信号のモデル化の利点が浮き彫りになった。