[论文解读] Deep Learning Architectures for FSCV, a Comparison

Thomas Twomey, Leonardo Rodrigues Barbosa+2 more|arXiv (Cornell University)|Dec 5, 2022

Advanced Chemical Sensor Technologies被引用 4

一句话总结

本研究评估了深度学习架构在预测体外快速扫描循环伏安法（FSCV）数据中神经递质浓度方面的表现，重点关注模型在探针外泛化能力、抗噪声能力及误差检测性能。InceptionTime 在预测精度（均方根误差最低）方面表现最佳，但对电噪声最为敏感；而简单的多层感知机（MLP）在精度上排名第二，并展现出更优的抗噪能力，表明对于此固定时间间隔的FSCV任务，卷积层的实际作用可能不如预期重要。

ABSTRACT

We examined multiple deep neural network (DNN) architectures for suitability in predicting neurotransmitter concentrations from labeled in vitro fast scan cyclic voltammetry (FSCV) data collected on carbon fiber electrodes. Suitability is determined by the predictive performance in the "out-of-probe" case, the response to artificially induced electrical noise, and the ability to predict when the model will be errant for a given probe. This work extends prior comparisons of time series classification models by focusing on this specific task. It extends previous applications of machine learning to FSCV task by using a much larger data set and by incorporating recent advancements in deep neural networks. The InceptionTime architecture, a deep convolutional neural network, has the best absolute predictive performance of the models tested but was more susceptible to noise. A naive multilayer perceptron architecture had the second lowest prediction error and was less affected by the artificial noise, suggesting that convolutions may not be as important for this task as one might suspect.

研究动机与目标

• 确定最适合用于临床神经外科应用中，从FSCV数据预测神经递质浓度的深度学习架构。
• 评估模型在‘探针外’场景下的表现，即模型需泛化至未见过的电极。
• 评估模型对模拟体内环境的人工电噪声的鲁棒性。
• 探究模型嵌入是否可用于检测异常电极或泛化能力差的情况。
• 确定近期深度学习进展是否相比以往方法，能显著提升FSCV时间序列数据上的回归性能。

提出的方法

• 在来自76根碳纤维探针的大规模体外FSCV数据集上，训练并比较了多种深度神经网络架构——InceptionTime、全卷积网络（FCN）、EEG-Transformer和多层感知机（MLP）。
• 将所有模型标准化为与InceptionTime具有相同的参数数量和训练流程，以确保公平比较。
• 以原始电流波形作为输入，仅进行归一化处理，未进行复杂预处理，将任务视为具有固定时间结构的时间序列回归。
• 从三个标准评估模型：预测精度（RMSE）、对人工60 Hz电噪声的响应，以及通过嵌入距离度量检测异常探针的能力。
• 计算测试探针模型嵌入与训练分布之间的马氏距离和弗雷chet距离，以识别分布外样本。
• 在部分模型中引入电流波形的数值一阶导数，但该操作加剧了对噪声的敏感性。

实验结果

研究问题

• RQ1 哪种深度学习架构在基于FSCV的神经递质浓度估计中实现最高的预测精度？
• RQ2 不同架构对模拟体内条件的人工电噪声有何响应？
• RQ3 模型嵌入能否检测出偏离训练分布的探针或泛化能力差的情况？
• RQ4 对于此固定时间间隔的FSCV回归任务，卷积层的引入是否具有显著优势？
• RQ5 模型性能在不同神经递质（DA、5HT、NE）和pH值下如何变化？

主要发现

• InceptionTime在所有分析物中均实现了最低的RMSE（最佳绝对预测性能），证实其在FSCV数据上具备强大的回归能力。
• 简单的多层感知机（MLP）在精度上排名第二，并展现出显著优于深层架构的抗人工电噪声能力。
• 所有模型在异常探针上的表现均下降，且性能与探针嵌入和训练分布之间的马氏距离强相关。
• InceptionTime的倒数第二层比最后一层提供了更优的嵌入表示，其分布特性更优且维度更低。
• 在模型中使用数值导数会加剧对噪声的敏感性，尤其是在电流扫描的平坦区域，微小的波动会导致导数产生大幅波动。
• 本研究表明，对于FSCV任务，由于电流特征在时间上是固定的，卷积层的实际效用可能有限，因此更简单的模型如MLP可能在抗噪性方面更具优势。