[论文解读] Neurology-as-a-Service for the Developing World

Tejas Dharamsi, Payel Das+8 more|arXiv (Cornell University)|Nov 16, 2017

EEG and Brain-Computer Interfaces参考文献 4被引用 3

一句话总结

本文提出了一种基于云的深度学习框架——'Neurology-as-a-Service'，使发展中国家的非专科医生能够实现自动化、低资源的脑电图（EEG）分析。通过在经频谱图转换的EEG数据上使用随机优化器对3D卷积神经网络（3DCNN）进行自动化超参数调优，该系统在分类真实与想象的运动任务中实现了63.4%的准确率，超过支持向量机（SVM）和人工设计的CNN基线模型，证明了该方法在极低人工干预下具备可扩展性与成本效益，是EEG诊断的一种有效解决方案。

ABSTRACT

Electroencephalography (EEG) is an extensively-used and well-studied technique in the field of medical diagnostics and treatment for brain disorders, including epilepsy, migraines, and tumors. The analysis and interpretation of EEGs require physicians to have specialized training, which is not common even among most doctors in the developed world, let alone the developing world where physician shortages plague society. This problem can be addressed by teleEEG that uses remote EEG analysis by experts or by local computer processing of EEGs. However, both of these options are prohibitively expensive and the second option requires abundant computing resources and infrastructure, which is another concern in developing countries where there are resource constraints on capital and computing infrastructure. In this work, we present a cloud-based deep neural network approach to provide decision support for non-specialist physicians in EEG analysis and interpretation. Named `neurology-as-a-service,' the approach requires almost no manual intervention in feature engineering and in the selection of an optimal architecture and hyperparameters of the neural network. In this study, we deploy a pipeline that includes moving EEG data to the cloud and getting optimal models for various classification tasks. Our initial prototype has been tested only in developed world environments to-date, but our intention is to test it in developing world environments in future work. We demonstrate the performance of our proposed approach using the BCI2000 EEG MMI dataset, on which our service attains 63.4% accuracy for the task of classifying real vs. imaginary activity performed by the subject, which is significantly higher than what is obtained with a shallow approach such as support vector machines.

研究动机与目标

• 解决发展中国家神经科医生和EEG解读专业人才严重短缺的问题。
• 克服传统远程EEG和现场EEG分析所需的高昂成本与基础设施要求。
• 通过基于云的深度学习，开发一种可扩展、自动化且低资源的EEG分类系统。
• 通过自动化超参数优化，最大限度减少在特征工程和模型架构选择方面的人工干预。
• 使非专科医生能够借助AI驱动的决策支持系统，做出更准确的基于EEG的诊断决策。

提出的方法

• 使用汉宁窗和NFFT = 128的短时傅里叶变换，将原始EEG信号（64通道，160 Hz）转换为3D频谱图表示。
• 应用带通滤波（3–30 Hz），并计算2.5 Hz频率带内的相对对数功率，以归一化功率谱。
• 将生成的3D张量（电极 × 频率带 × 时间段）输入3D卷积神经网络（3DCNN）。
• 采用具有定义边界范围的随机优化器，对超参数（如层数、滤波器数量、滤波器大小、初始学习率、Dropout率）进行自动搜索，以选择最优模型。
• 利用IBM的“深度学习即服务”云平台进行模型训练与部署，显著降低基础设施需求。
• 在BCI2000 EEG MMI数据集的103名受试者共17,232次EEG试验中，采用7:3的训练-测试划分比例。

实验结果

研究问题

• RQ1 基于云的深度学习系统能否在极少人工干预特征工程和模型设计的情况下实现EEG分类的自动化？
• RQ2 通过随机优化实现的自动化超参数调优，在EEG分类准确率上与人工设计的CNN架构相比表现如何？
• RQ3 低成本、可扩展的深度学习框架是否能在资源有限环境中为非专科医生提供具有临床实用价值的EEG分析性能？
• RQ4 该系统在使用EEG数据区分真实与想象的运动任务方面的性能如何？
• RQ5 与传统机器学习方法（如SVM和基于PCA的分类）相比，所提出的框架在EEG数据上的表现如何？

主要发现

• 所提出的Neurology-as-a-Service框架在区分真实与想象运动任务中实现了63.4%的分类准确率，显著优于标准SVM（56%）和人工设计的3DCNN（58.21%）。
• 最优模型架构包含三层隐藏层：两个卷积层，分别使用61个和69个大小为5×5和8×8的滤波器，随后是一个大小为5×5、步长为2的最大池化层，学习率为0.001。
• 自动化超参数调优过程探索了750种配置，最终返回准确率为63.4%的验证集性能模型，证明了优化流程的有效性。
• 优化模型的训练准确率达到95.39%，表明其泛化性能优于人工设计的CNN，暗示过拟合程度更低。
• 系统生成了多个高性能模型配置，排名前五的模型准确率在61.9%至63.4%之间，表明超参数搜索具有良好的鲁棒性。
• 该框架依赖自动化预处理与模型选择，可在技术能力有限的低资源环境中实现部署。