[논문 리뷰] Imagery Signal-based Deep Learning Method for Prescreening Major Depressive Disorder
Abstract
본 연구에서는 뇌파(brainwave data) 2개의 채널의 EEG 데이터를 사용하여 으로 우울증을 예측하는 모델을 제안하였다.
2개의 채널에서 측정된 EEG 데이터는 STFT 변환하여 스펙트로그램 이미지화 되었고 이 이미지 데이터를 CNN 모델을 통해 학습하였다.
성능 평가 결과 75%의 정확도가 나타났다.
1. 연구 목적
기존의 우울증 식별 – 전문적인 다채널 EEG 장비필요
-> 개인이 측정한 데이터를 가지고 우울증을 예측할 수 있도록 적은 채널에서 측정된 EEG 데이터를 가지고 우울증을 예측하는 모델을 제안.
2. 연구 대상
Wajid Mumta-z 의 연구에서 측정한 뇌파 데이터
우울증 환자 34명, 대조군 30명
눈을 감은 상태, 눈을 뜬 상태, 시각 콘텐츠 진행상태
19개의 채널 (국제 10-20 시스템)
이 데이터셋에서 우울증 환자 30명, 대조군 30명만 사용
저채널 뇌파 측정 기기에서 주로 사용되는 2채널만 사용 (Fp1, Fp2)
깜빡임이나 외부 자극을 줄이기 위해 눈을 감은 데이터셋
3. 방법론
1) STFT(Short-Time Fourier Transform)
기존 FFT
시간의 흐름에 따라 주파수의 변화가 있을 시, 어느 시간대에 주파수가 어떻게 변화되었는지 파악하기 힘듬
STFT
시간에 따라 변화하는 주파수 변화도 보고 싶다!
Þ시간 단위로 잘개 쪼개, 각각에 푸리에 변환
(윈도우 길이가 2초, 홉 크기가 0.5초, FFT 포인트 번호가 16초, 샘플링 주파수가 256Hz/s, 오버랩이 50%)
2) 스펙트로그램
3) 트레인, 테스트 셋 생성
2개의 채널 스펙트로그램을 결합 – 하나의 이미지로
Train set : 우울증 20개 / 대조군 20개
Test set : 우울증 7개 / 대조군 7개
3. 딥러닝 모델
CNN 모델 사용
3단 컨버전트 레이어 (ReLU 활성화 함수)
출력 : 3X3 Max_pooling, Softmax 활성화 함수
CNN에 사용될 이미지는 오리지날 이미지의 1/100
|
Conv2d_1 (Conv2D) |
(None, 62,94,32) |
896 |
|
Max_pooling2d_1 (MaxPooling2D) |
(None, 31,47,32) |
0 |
|
Conv2d_2 (Conv2D) |
(None, 29,45,64) |
18496 |
|
Max_pooling2d_2 (MaxPooling2D) |
(None, 14,22,64) |
0 |
|
Conv2d_3 (Conv2D) |
(None, 12,20,128) |
73856 |
|
Max_pooling2d_3 (MaxPooling2D) |
(None, 6,10,128) |
0 |
|
Flatten_1 (Flatten) |
(None, 7680) |
0 |
|
dense_1 (Dense) |
(None, 512) |
3932672 |
|
dense_2 (Dense) |
(None, 2) |
1026 |
4. 결과
5. 결론
적은 수의 채널 데이터로 우울증을 판별하기 위한 모델로 이미지형 뇌파 딥러닝 모델을 제안하였으며, 이 모델의 정확도는 75%에 달했다.
딥러닝 수행에 있어 데이터 양 한계가 있어 향후 연구에서 보완해야 함.
6. Motivation
2개의 채널을 스펙트로그램 – 이미지 딥러닝
=> 여러 방식의 스펙트로그램(Mel, cqt 등)
적은 채널로도 우울증 예측 가능성
Val_loss 가 0.3 정도 됨. RUC 커브로 성능평가 해본다면.
데이터 양이 적은 것이 한계 : 폭발적으로 데이터 양을 늘릴 수 있다면?