[論文レビュー] Individual Recognition in Schizophrenia using Deep Learning Methods with Random Forest and Voting Classifiers: Insights from Resting State EEG Streams

Lei Chu, Robert C. Qiu+4 more|arXiv (Cornell University)|Jun 20, 2017

EEG and Brain-Computer Interfaces参考文献 27被引用数 38

ひとこと要約

本研究では、標準的なソフトマックス層に代えてランダムフォレストを採用し、投票分類器を統合することで分類精度を向上させる、休息状態EEGストリームを用いた深層学習ベースの統合的認識システムを提案する。この手法は、初発性統合失調症患者に対して96.7%、健常対照群に対して99.2%の正確性を達成し、従来の特徴ベースの手法よりも優れた性能を示している。

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).

研究の動機と目的

• 休息状態EEGストリームを用いた、自動的かつデータ駆動型の統合的認識システムの開発。
• 手動で設計されたEEG特徴量の限界を克服するため、エンド・ツー・エンドの特徴抽出に深層学習を活用する。
• ソフトマックス層をランダムフォレストに置き換えることで分類精度を向上させ、投票分類器を統合する。
• 健常対照群、初発性統合失調症（FES）、高リスク（CHR）の多様な臨床群にわたる、提案手法の頑健性および一般化能力を評価する。
• EEGを用いた深層学習による統合失調症の早期発見およびモニタリングの実現可能性を示す。

提案手法

• 本研究では、休息状態の記録から得られる時間領域および周波数領域のEEGストリームを用いて、変更を加えた畳み込みニューラルネットワーク（CNN）、再帰ニューラルネットワーク（RNN）、およびパーセプトロン（ANN）のアーキテクチャを採用する。
• 変更を加えた深層学習フレームワークでは、最終的なソフトマックス層の代わりにランダムフォレスト（RF）分類器を採用し、意思決定の頑健性を高め、過学習を低減する。
• 複数のモデルからの予測を集約するために、ニューラルネットワークの上部に投票レイヤーを追加し、分類の安定性と正確性を向上させる。
• 活性化関数には指数線形関数（ELU）を、次元削減にはマックスプーリングを、過学習防止にはドロップアウト（率0.25～0.5）を用いる。
• GPU加速環境で1000分割交差検証を実施し、EEGデータストリームの窓サイズをq=100に設定してフレームワークを評価する。
• 本手法は、健常対照群（HC）、臨床的に安定した初発性統合失調症（FES）、高リスク（CHR）の3つの被験者群でテストされた。

実験結果

リサーチクエスチョン

• RQ1 休息状態EEGストリームで訓練された深層学習モデルは、統合失調症患者および健常対照群において高い個別認識正確性を達成できるか？
• RQ2 標準的なソフトマックス分類器をランダムフォレストに置き換えることで、EEGベースの個別認識における分類性能が向上するか？
• RQ3 投票レイヤーの統合は、EEGベースの個別認識システムの頑健性および正確性にどのように影響するか？
• RQ4 時間領域および周波数領域のEEG表現は、異なる臨床群において分類性能の観点でどのように比較されるか？
• RQ5 提案された深層学習フレームワークの性能は、より大きなトレーニングデータおよびより優れたハードウェアと併せてスケーラブルか？

主な発見

• 提案されたCNNV+RFモデルは、初発性統合失調症（FES）患者に対して96.7%、健常対照群（HC）に対して99.2%の最高の分類正確性を達成した。
• 高リスク（CHR）個体では、CNNV+RFモデルが81.6%の正確性を示し、早期発見の強力な可能性を示した。
• ソフトマックス層をランダムフォレストに置き換えることで、すべてのモデルおよび被験者群において一貫した、測定可能な分類正確性の向上が見られた。
• CNNV+RFモデルは、mSVMや従来のソフトマックスを用いたすべての構成よりも、MNISTベンチマークおよびEEGデータセットの両方で優れた性能を示した。
• 投票レイヤーの使用は、EEGデータに一般的に見られる低SNR環境において、モデルの安定性および正確性を顕著に向上させた。
• より大きなトレーニングデータおよび高速なハードウェアを用いることで性能が向上し、実世界への展開の可能性を示唆した。