[论文解读] 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 38

一句话总结

本研究提出一种基于深度学习的个体识别系统，用于利用静息态脑电信号（EEG）识别精神分裂症患者，通过用随机森林（Random Forest）替代标准的Softmax层，并引入投票分类器以提升分类准确率。该方法在首次发作精神分裂症患者中达到96.7%的准确率，在健康对照组中达到99.2%，显著优于传统基于特征的方法。

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).

研究动机与目标

• 开发一种基于静息态EEG信号流的自动化、数据驱动的个体识别系统，用于精神分裂症诊断。
• 通过端到端的特征提取，利用深度学习克服人工设计EEG特征的局限性。
• 通过用随机森林替代Softmax层并集成投票分类器，提升分类准确率。
• 在不同临床群体（健康对照组、首次发作精神分裂症（FES）患者、高危（CHR）个体）中评估所提方法的鲁棒性与泛化能力。
• 证明利用深度学习与EEG进行精神分裂症早期检测与长期监测的可行性。

提出的方法

• 本研究采用改进的深度神经网络架构——卷积神经网络（CNN）、循环神经网络（RNN）和前馈神经网络（ANN），在静息态记录的时域与频域EEG信号流上进行训练。
• 提出一种改进的深度学习框架，将最终的Softmax层替换为随机森林（RF）分类器，以增强决策鲁棒性并减少过拟合。
• 在神经网络之上增加一个投票层，聚合多个模型的预测结果，提升分类的稳定性和准确率。
• 模型采用指数线性单元（ELU）作为激活函数，使用最大池化进行降维，并采用Dropout（正则化率0.25–0.5）防止过拟合。
• 在GPU加速环境下，采用1000折交叉验证，EEG数据流的时间窗大小为q=100，对框架进行评估。
• 该方法在三类受试者中进行测试：健康对照组（HC）、临床稳定型首次发作精神分裂症（FES）患者，以及高危（CHR）个体。

实验结果

研究问题

• RQ1 在静息态EEG信号流上训练的深度学习模型，能否在精神分裂症患者与健康对照组中实现高精度的个体识别？
• RQ2 将标准Softmax分类器替换为随机森林，是否能提升EEG基个体识别的分类性能？
• RQ3 集成投票层对EEG基个体识别系统的鲁棒性与准确率有何影响？
• RQ4 在不同临床群体中，时域与频域EEG表征的分类性能如何比较？
• RQ5 所提出的深度学习框架的性能是否随更大规模训练数据与更优硬件而提升？

主要发现

• 所提出的CNNV+RF模型在首次发作精神分裂症（FES）患者中达到最高分类准确率96.7%，在健康对照组（HC）中达到99.2%。
• 对于高危（CHR）个体，CNNV+RF模型达到81.6%的准确率，显示出在早期检测中的强大潜力。
• 将Softmax层替换为随机森林，在所有模型与受试者群体中均带来一致且可测量的准确率提升。
• CNNV+RF模型在MNIST基准测试与EEG数据集上，均优于所有其他配置，包括使用mSVM与传统Softmax的模型。
• 采用投票层显著提升了模型的稳定性和准确率，尤其在EEG数据中常见的低信噪比场景下表现突出。
• 性能随更大规模训练数据与更快速硬件的提升而增强，表明该方法具备可扩展性，并具备实际部署潜力。