[论文解读] Deep learning from wristband sensor data: towards wearable, non-invasive seizure forecasting

Christian Meisel, Rima El Atrache+4 more|arXiv (Cornell University)|Jun 3, 2019

EEG and Brain-Computer Interfaces参考文献 24被引用 8

一句话总结

本研究提出一种基于深度学习的非侵入性癫痫发作预测方法，利用50名癫痫患者的手环多模态传感器数据（皮肤电导反应、容积脉搏波、体温、加速度计）进行分析。通过在原始传感器输入上应用一维和二维卷积神经网络，该方法在60%的患者中实现了优于随机猜测的发作前期状态预测（采用留一法交叉验证），在43%的患者中实现了优于随机猜测的预测（采用伪前瞻性验证），证明了可穿戴、非侵入性癫痫风险评估的可行性。

ABSTRACT

Seizure forecasting may provide patients with timely warnings to adapt their daily activities and help clinicians deliver more objective, personalized treatments. While recent work has convincingly demonstrated that seizure risk assessment is possible, these early approaches relied largely on complex, often invasive setups including intracranial electrocorticography, implanted devices and multi-channel EEG, which limits translation of these methods to broad clinical application. To facilitate broader adaptation of seizure forecasting in clinical practice, non-invasive, easily applicable techniques that reliably assess seizure risk, in combination with clinical information, are crucial. Wristbands that continuously record physiological parameters, including electrodermal activity, body temperature, blood volume pressure and actigraphy, may afford monitoring of autonomous nervous system function and movement relevant for such a task, hence minimizing potential complications associated with invasive monitoring, and avoiding stigma associated with bulky external monitoring devices on the head. Here, we use deep learning to analyze long-term, multi-modal wristband sensor data from 50 patients with epilepsy (total duration $>$1400 hours) to assess its capability to distinguish preictal from interictal states. Prediction performance is assessed using area under the receiver operating charateristic (AUC) and improvement over chance (IoC) based on F1 scores. Using one- and two-dimensional convolutional neural networks, we identified better-than-chance predictability in out-of-sample test data in 60\% of the patients in leave-one-out and 43\% of patients in pseudo-prospective approaches. These results provide a step towards developing easier to apply, non-invasive methods for seizure risk assessments in patients with epilepsy.

研究动机与目标

• 评估非侵入性手环传感器数据是否能够通过深度学习实现可靠的癫痫发作风险预测。
• 评估一维和二维卷积神经网络在使用原始多模态生理信号区分发作前期与发作间期状态方面的性能。
• 确定该方法是否能够在样本外、类似前瞻性测试条件下泛化，模拟真实世界部署环境。
• 探索可穿戴连续监测在提升癫痫患者自主性及实现临床治疗个性化方面的潜力。

提出的方法

• 在50名癫痫患者住院监测期间收集了多模态手环数据（皮肤电导反应、容积脉搏波、体温、三维加速度计），总时长超过1400小时。
• 将发作前期状态定义为发作前61至60秒的30秒段，将发作间期状态定义为距任何发作至少2小时的段落。
• 使用一维和二维卷积神经网络（CNNs），以原始传感器数据作为输入，避免手工特征工程。
• 采用留一法交叉验证和伪前瞻性验证评估泛化能力和前瞻性表现。
• 通过受试者工作特征曲线下面积（AUC）和基于F1分数的胜过随机猜测程度（IoC）评估模型性能。
• 当患者使用多个设备时，选择记录时间最长的数据，以确保数据一致性。

实验结果

研究问题

• RQ1 基于原始多模态手环传感器数据训练的深度学习模型，能否在癫痫患者中区分发作前期与发作间期状态？
• RQ2 所提出的方法是否在留一法和伪前瞻性验证设置下均实现了优于随机猜测的预测性能？
• RQ3 在本研究设置中，使用原始数据的一维卷积神经网络与使用相同数据功率谱密度表示的二维卷积神经网络相比，性能如何？
• RQ4 该非侵入性可穿戴方法在多大程度上能够支持真实世界中的前瞻性癫痫发作预测？

主要发现

• 所提出的方法在采用留一法交叉验证的60%患者中实现了优于随机猜测的预测能力。
• 在更接近现实的伪前瞻性验证设置中，该方法在43%的患者中表现出优于随机猜测的性能。
• 在测试设置中，使用原始传感器输入的一维卷积神经网络优于使用功率谱密度表示的二维卷积神经网络。
• 本研究证实，结合深度学习的多模态手环传感器数据能够以统计学上显著的准确性检测发作前期状态，即使在样本外、类似前瞻性条件下亦然。
• 结果表明，非侵入性可穿戴监测系统有望在临床实践中实现可扩展、患者友好的癫痫发作预测。