Transfer learning between deep neural networks using heterogeneous electrical biosignals.

Abstract

Os sistemas de saúde globais atualmente não conseguem atender adequadamente à alta demanda por cuidados de pessoas com distúrbios neurológicos. E essa lacuna impacta na qualidade do tratamento oferecido, ocasionando problemas como a prescrição de medicamentos inadequados, dificuldade de acesso ao tratamento, detecção tardia de doenças, entre outros. Os distúrbios neurológicos incluem condições como demência, epilepsia, Alzheimer, Parkinson, esclerose múltipla, entre outros. Para melhorar o tratamento dessas doenças, dispositivos têm sido desenvolvidos para a aquisição de biossinais elétricos visando obter biosinais com maior precisão, conforto ao paciente e, em alguns casos, custos mais baixos. Reconhecendo esse cenário, nosso objetivo foi investigar a possibilidade de usar a transferência de conhecimento entre redes neurais artificiais para abordar os problemas mencionados. Além disso, tentamos reduzir a complexidade matemática dos dados de biossinais elétricos, transformando-os do domínio do tempo para o domínio da frequência podendo assim representá-los através de funções algébricas em vez de funções senoidais. Com base nessas ideias, exploramos o potencial da transferência de conhecimento para melhorar a precisão preditiva de um modelo de rede neural que processa biossinais elétricos com características e rótulos não idênticos. Para evitar a transferência negativa, integramos a análise de similaridade entre biossinais em nossa metodologia usando a técnica de dynamic time warping (DTW). Selecionamos a rede neural long short-term memory (LSTM) para desenvolver a arquitetura proposta, e os conjuntos de dados públicos usados no experimento foram o TUEG EEG Corpora (eletroencefalograma), ECG Heartbeat Categorization (eletrocardiograma) e EMG Classify Gestures (eletromiografia para classificação de gestos). Usando os resultados dos modelos base como referência, selecionamos o ECG como domínio de origem. Em seguida, calculamos a similaridade entre os biossinais, treinamos o modelo com as características identificadas com a menor distância e transferimos os pesos e bias para os modelos EEG e EMG processarem seus próprios conjuntos de dados, chamados de domínio alvo. Em resumo, apresentamos dois cenários diferentes para experimentar e explorar o potencial de uma aplicação eficaz de aprendizado de transferência com biossinais elétricos heterogêneos no domínio de frequência, do ECG para o EMG e do ECG para o EEG, respectivamente. No primeiro cenário, descobrimos um resultado promissor quando os conjuntos de dados de origem e destino estavam equilibrados, mesmo com um conjunto de dados de destino pequeno. No segundo contexto, observamos uma diminuição discreta no desempenho, também referida como transferência de aprendizado negativa, ao utilizar um domínio de origem equilibrado com um conjunto de dados de destino desequilibrado e robusto. Embora tenhámos encontrado algumas limitações, como o alto custo computacional para calcular a similaridade entre os biossinais e a estratégia de pré-processamento aplicada, entre outras detalhadas neste trabalho, nosso experimento demonstrou o potencial para realização da transferência de aprendizado entre redes neurais que processam dados bioelétricos heregeneous.