[论文解读] Convolutional Neural Network for Stereotypical Motor Movement Detection in Autism

Nastaran Mohammadian Rad, Andrea Bizzego+4 more|arXiv (Cornell University)|Nov 5, 2015

Autism Spectrum Disorder Research被引用 21

一句话总结

本研究提出一种卷积神经网络（CNN），利用多传感器加速度计数据自动检测自闭症中的刻板运动行为（SMMs），避免了手动特征工程。该CNN直接从原始信号中学习判别性特征，在Study2中取得了显著更高的F1分数（平均0.78），优于手工特征；迁移学习在纵向设置中进一步提升了性能。

ABSTRACT

Autism Spectrum Disorders (ASDs) are often associated with specific atypical postural or motor behaviors, of which Stereotypical Motor Movements (SMMs) have a specific visibility. While the identification and the quantification of SMM patterns remain complex, its automation would provide support to accurate tuning of the intervention in the therapy of autism. Therefore, it is essential to develop automatic SMM detection systems in a real world setting, taking care of strong inter-subject and intra-subject variability. Wireless accelerometer sensing technology can provide a valid infrastructure for real-time SMM detection, however such variability remains a problem also for machine learning methods, in particular whenever handcrafted features extracted from accelerometer signal are considered. Here, we propose to employ the deep learning paradigm in order to learn discriminating features from multi-sensor accelerometer signals. Our results provide preliminary evidence that feature learning and transfer learning embedded in the deep architecture achieve higher accurate SMM detectors in longitudinal scenarios.

研究动机与目标

• 为解决利用可穿戴惯性传感器检测自闭症中刻板运动行为（SMMs）的挑战。
• 克服手工特征方法的局限性——如依赖领域知识和计算成本高——在SMM检测中的问题。
• 探索深度学习在从原始加速度计信号中实现端到端特征学习的潜力，以提高检测准确性。
• 评估CNN在纵向自闭症监测中跨数据集泛化能力的迁移学习性能。
• 开发一种稳健、实时的SMM检测系统，适用于临床和干预支持应用。

提出的方法

• 该方法使用一维CNN处理多通道加速度计信号（来自多个传感器的x、y、z方向）作为输入张量。
• CNN架构采用共享权重的卷积层和池化层，从原始信号中学习分层的空间-时间特征。
• 全连接层后接8个神经元，再通过Softmax层进行二分类（SMM vs. no-SMM）。
• 模型使用带有动量（0.9）的随机梯度下降进行训练，并采用随机权重初始化，重复15次以保证稳定性。
• 在学习到的特征表示上应用SVM分类器进行最终分类，确保评估无偏。
• 通过在某一数据集（如Study1）上初始化CNN，并在另一数据集（如Study2）上微调，实现迁移学习，以评估跨数据集性能。

实验结果

研究问题

• RQ1 像CNN这样的深度学习模型能否在从惯性传感器数据中检测SMMs方面优于传统的手工特征方法？
• RQ2 与手动特征提取相比，从原始加速度计信号中实现端到端特征学习能在多大程度上提升SMM检测的准确性？
• RQ3 从一个数据集（如Study1）中学到的知识能否有效迁移到另一个数据集（如Study2），以增强纵向自闭症监测中的检测性能？
• RQ4 该CNN模型在SMM模式具有高个体间和个体内变异性的受试者中的表现如何？
• RQ5 所提出的CNN框架是否适用于临床或家庭环境中实时、自适应的SMM检测？

主要发现

• 当在原始数据上训练时，CNN模型在Study1上的平均F1分数为0.74，在Study2上为0.35，显著优于原始信号分类和手工特征方法。
• 迁移学习-CNN方法在Study1上的平均F1分数提升至0.78，在Study2上提升至0.53，证明了迁移学习在跨数据集场景中的有效性。
• 在个别受试者中，CNN的F1分数最高达到0.93（Subject 6, Study2），表明在高运动强度情况下表现优异。
• PCA可视化显示，使用CNN学习到的特征相比手工特征，SMM与无SMM样本的类别分离更清晰，证实了更强的判别能力。
• 在Study2中，迁移学习-CNN始终优于标准CNN，平均F1分数绝对提升0.18，验证了迁移学习在纵向研究中的价值。
• 本研究证明，深度学习能够从原始加速度计数据中有效学习到稳健且具有判别力的SMM表示，克服了手工特征方法的局限性。