[论文解读] Novel EEG based Schizophrenia Detection with IoMT Framework for Smart Healthcare

Geetanjali Sharma, Amit M. Joshi|arXiv (Cornell University)|Nov 19, 2021

EEG and Brain-Computer Interfaces被引用 7

一句话总结

本文提出了一种新颖的CNN-LSTM混合深度学习模型SzHNN，用于基于EEG的自动精神分裂症检测，在仅19名受试者的少量数据集上实现了99.9%的准确率。该模型利用卷积层进行局部特征提取，利用LSTM进行序列分类，在仅使用5个电极的情况下仍表现出高性能，并已集成至IoMT框架中，实现远程、实时的智能医疗监测。

ABSTRACT

In the field of neuroscience, Brain activity analysis is always considered as an important area. Schizophrenia(Sz) is a brain disorder that severely affects the thinking, behaviour, and feelings of people all around the world. Electroencephalography (EEG) is proved to be an efficient biomarker in Sz detection. EEG is a non-linear time-seriesi signal and utilizing it for investigation is rather crucial due to its non-linear structure. This paper aims to improve the performance of EEG based Sz detection using a deep learning approach. A novel hybrid deep learning model known as SzHNN (Schizophrenia Hybrid Neural Network), a combination of Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) has been proposed. CNN network is used for local feature extraction and LSTM has been utilized for classification. The proposed model has been compared with CNN only, LSTM only, and machine learning-based models. All the models have been evaluated on two different datasets wherein Dataset 1 consists of 19 subjects and Dataset 2 consists of 16 subjects. Several experiments have been conducted for the same using various parametric settings on different frequency bands and using different sets of electrodes on the scalp. Based on all the experiments, it is evident that the proposed hybrid model (SzHNN) provides the highest classification accuracy of 99.9% in comparison to other existing models. The proposed model overcomes the influence of different frequency bands and even showed a much better accuracy of 91% with only 5 electrodes. The proposed model is also evaluated on the Internet of Medical Things (IoMT) framework for smart healthcare and remote monitoring applications.

研究动机与目标

• 开发一种高精度、自动化的早期精神分裂症检测系统，利用EEG信号，克服主观临床诊断的局限性。
• 通过深度学习技术应对非线性、复杂的EEG时间序列数据挑战，实现鲁棒的特征提取与分类。
• 评估所提模型在不同电极数量和频段下的性能，以检验其鲁棒性与临床可行性。
• 将检测模型集成至物联网医疗（IoMT）框架中，实现远程、实时、可扩展的智能医疗应用。
• 将所提出的混合深度学习模型与传统机器学习模型及独立的深度学习模型（仅CNN、仅LSTM）进行比较，验证其优越性。

提出的方法

• 一种混合深度学习架构SzHNN，结合卷积神经网络（CNN）用于从EEG信号中提取局部空间特征，以及长短期记忆（LSTM）网络用于时间序列建模与分类。
• 对两个数据集（19名受试者，数据集1；16名受试者，数据集2）的EEG数据进行预处理，并在多个频段（delta、theta、alpha、beta、gamma）和电极配置下进行分析。
• 通过不同参数设置（包括电极数量从5到32不等）对模型进行训练与评估，以评估其在临床约束条件下的性能。
• 系统嵌入IoMT框架中，EEG数据通过可穿戴设备采集，在边缘端进行预处理，传输至云端，并进行实时诊断分析。
• 模型参数权重存储于云端以供重用，医疗保健提供方可通过控制系统访问患者记录并接收反馈，实现远程干预。
• 以准确率为首要评估指标，与独立的CNN、LSTM及传统机器学习模型（如基于功率谱密度特征的SVM）进行性能基准对比。

实验结果

研究问题

• RQ1 混合CNN-LSTM深度学习模型是否在精神分裂症EEG信号分类中优于独立的CNN、LSTM及传统机器学习模型？
• RQ2 电极数量如何影响所提SzHNN模型的分类准确率，特别是在低电极配置下？
• RQ3 模型性能在多大程度上受不同EEG频段（如theta、gamma）或头皮电极位置的影响？
• RQ4 所提深度学习模型是否能实现高准确率而不依赖手工设计的特征，从而减少对专家定义生物标志物的依赖？
• RQ5 将SzHNN模型集成至基于IoMT的智能医疗框架中，在远程、实时精神分裂症监测方面是否具有高效性？

主要发现

• 所提出的SzHNN模型在数据集1（19名受试者）上使用32个电极时，分类准确率达到99.9%，显著优于所有基线模型。
• 即使仅使用5个电极，模型仍保持91.00%的高准确率，表明其在极简硬件配置下具有强大性能。
• 在数据集2（16名受试者）上，模型准确率达到99.50%，证实其在不同受试者群体中的一致高性能。
• 与独立的CNN和LSTM模型相比，混合CNN-LSTM模型收敛更快，训练准确率更高，如训练准确率曲线所示。
• 如SVM结合功率谱密度（PSD）特征等传统机器学习模型在所有频段的平均准确率仅为约60%，仅在特定频段（如beta和gamma频段）达到最高89.23%的准确率，凸显深度学习在捕捉复杂非线性模式方面的优势。
• 额叶电极位置的分类准确率高于头皮其他区域，提示其在特征解释方面可能具有潜在临床意义。