リアルタイムのバイオシグナルを使用したディープラーニングベースの脳卒中予測システム

老化した社会の出現は、平均寿命の継続的な増加と出生率の減少のために避けられません。これらの社会的変化には、日常生活で使用するための新しいスマートヘルスケアサービスが必要であり、Covid-19は、より多くの顔から顔の医療サービスを必要とする非接触傾向にもつながりました。ヘルスケアテクノロジーで達成された改善により、より多くの研究が特定の疾患を事前に予測および分析しようと試みました。脳卒中疾患に関する研究は、特に老化した人口に関する積極的に進行中です。高齢者にとって致命的な脳卒中は、再発率と死亡率が非常に高いため、継続的な医学的観察とモニタリングを必要とする病気です。これまでの脳卒中疾患を調べるほとんどの研究では、単純な分類のためにMRIまたはCT画像を使用しています。この臨床的アプローチ（イメージング）は、かさばる機器を必要としながら高価で時間がかかります。最近、これらの欠点を補うために、非侵襲性測定可能なEEGを使用することに関心が高まっています。ただし、特定の属性を取得する前に生データを分離する必要があるため、予測アルゴリズムと処理手順はどちらも時間がかかります。したがって、この論文では、EEGの周波数特性を使用せずに生のEEGデータに深い学習モデルを即座に適用できる新しい方法論を提案します。この提案されたディープラーニングベースの脳卒中予測モデルは、リアルタイムのEEGセンサーから収集されたデータで開発および訓練されました。時系列のデータ分類と予測に特化した、さまざまな深部学習モデル（LSTM、双方向LSTM、CNN-LSTM、およびCNN-双方向LSTM）を実装および比較しました。実験結果は、CNN双方向LSTMモデルによって装備されているRAW EEGデータが、低FPR（6.0％）とFNR（5.7％）で94.0％の精度でストロークを予測できるため、システムに高い信頼性を示すことが確認されました。これらの実験結果は、日常生活中にリアルタイムで脳卒中疾患を予測および監視するために脳波だけを簡単に測定できる非侵襲的方法の実現可能性を示しています。これらの発見は、他の測定技術と比較してコストと不快感を減らし、早期脳卒中検出の大幅な改善につながると予想されます。

The emergence of an aging society is inevitable due to the continued increases in life expectancy and decreases in birth rate. These social changes require new smart healthcare services for use in daily life, and COVID-19 has also led to a contactless trend necessitating more non-face-to-face health services. Due to the improvements that have been achieved in healthcare technologies, an increasing number of studies have attempted to predict and analyze certain diseases in advance. Research on stroke diseases is actively underway, particularly with the aging population. Stroke, which is fatal to the elderly, is a disease that requires continuous medical observation and monitoring, as its recurrence rate and mortality rate are very high. Most studies examining stroke disease to date have used MRI or CT images for simple classification. This clinical approach (imaging) is expensive and time-consuming while requiring bulky equipment. Recently, there has been increasing interest in using non-invasive measurable EEGs to compensate for these shortcomings. However, the prediction algorithms and processing procedures are both time-consuming because the raw data needs to be separated before the specific attributes can be obtained. Therefore, in this paper, we propose a new methodology that allows for the immediate application of deep learning models on raw EEG data without using the frequency properties of EEG. This proposed deep learning-based stroke disease prediction model was developed and trained with data collected from real-time EEG sensors. We implemented and compared different deep-learning models (LSTM, Bidirectional LSTM, CNN-LSTM, and CNN-Bidirectional LSTM) that are specialized in time series data classification and prediction. The experimental results confirmed that the raw EEG data, when wielded by the CNN-bidirectional LSTM model, can predict stroke with 94.0% accuracy with low FPR (6.0%) and FNR (5.7%), thus showing high confidence in our system. These experimental results demonstrate the feasibility of non-invasive methods that can easily measure brain waves alone to predict and monitor stroke diseases in real time during daily life. These findings are expected to lead to significant improvements for early stroke detection with reduced cost and discomfort compared to other measuring techniques.