[論文レビュー] Parkinson's Disease Assessment from a Wrist-Worn Wearable Sensor in Free-Living Conditions: Deep Ensemble Learning and Visualization

Terry Taewoong Um, Franz Pfister+6 more|arXiv (Cornell University)|Aug 8, 2018

Neurological disorders and treatments参考文献 23被引用数 12

ひとこと要約

本稿では、自由な生活状況下におけるパーキンソン病の運動状態を評価するため、手首に装着した加速度計データを用いたディープアンサンブル学習フレームワークを提案する。複数の畳み込みニューラルネットワークを組み合わせ、解釈可能性のためにクラス活性マップを適用することで、運動パターンの個人差があるにもかかわらず、多様な患者集団においても頑健な性能を達成する。

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.

研究の動機と目的

• 自由な生活状況下におけるパーキンソン病の運動状態を自動的に評価するウェアラブルベースのシステムの開発。
• パーキンソン病の運動症状における個人差を、畳み込みニューラルネットワークのアンサンブルを用いて解消する。
• クラス活性マップ（CAM）可視化技術を用いて、モデルの解釈性を向上させる。
• 低コストのウェアラブルセンサーを用いて、継続的かつリアルタイムでの運動変動のモニタリングを可能にする。
• 医療意思決定を支援するため、薬剤投与状態（オン／オフ）や異動運動の区別を可能にする。

提案手法

• 日常活動中に得られた手首に装着したセンサーからの加速度計データを用いて、複数の畳み込みニューラルネットワーク（CNNs）のアンサンブルを学習する。
• アンサンブルアプローチにより、多様なネットワークアーキテクチャの予測を集約することで、個々のモデルのバイアスへの感受性を低減し、頑健性を向上させる。
• クラス活性マップ（CAMs）を適用して、モデルの予測に最も寄与したセンサーシグナルの時間的セグメントを可視化する。
• 手首からの生加速度計シグナルを処理し、振戦、運動徐継、異動運動などの運動症状を検出する。
• 生態的妥当性を確保するため、臨床的でない現実世界の環境で収集されたデータを用いてモデルを学習および評価する。
• アンサンブルの多様性を活用することで、個人差のある運動パターンに対しても、一般化性能が向上し、個人差の影響が軽減される。

実験結果

リサーチクエスチョン

• RQ1 自由な生活状況下における手首に装着した加速度計データから、ディープアンサンブル学習モデルがパーキンソン病の運動状態を正確に分類できるか？
• RQ2 個人差のある運動パターンの存在下で、アンサンブルアーキテクチャは単一のCNNモデルと比較して、どのように性能を向上させるか？
• RQ3 クラス活性マップは、モデルの予測に対して臨床的に意味のある解釈をどの程度提供できるか？
• RQ4 制御されたラボ環境を必要とせずに、薬剤投与状態（オン／オフ）や異動運動といった臨床的関連のある運動状態を同定できるか？
• RQ5 疾患進行度や運動パターンが異なる患者間で、モデルはどの程度一般化するか？

主な発見

• ディープアンサンブルモデルは、現実世界の環境下で、手首に装着した加速度計データからパーキンソン病の運動状態を高い精度で分類した。
• アンサンブルアプローチは、特に運動パターンの個人差がある状況下で、単一のCNNモデルを著しく上回る性能を示した。
• クラス活性マップは、特定の運動症状に関連する加速度計シグナルの関連時間的セグメントを明確に可視化する解釈可能な可視化を提供した。
• 臨床的環境外の日常活動中に、異動運動や薬剤効果といった運動変動を、同定することができた。
• 多様な患者集団において、モデルは頑健性と一般化性能を示し、実世界での臨床的導入の可能性を示した。
• 可視化技術の統合により、深層学習の予測に対する臨床的信頼性と解釈可能性が向上した。