深度學習可以從腦波預測性別?

分享至

深度學習可以從腦波預測性別?

臺灣大學生醫電子與資訊學研究所 葛竑志

從外觀上來判斷一個人的性別,這應該要是人類與生俱來的本能。雖然男女之間無論在生理或解剖學上都有相當大的不同,但若只給你一張腦電圖,你能看得出來這是來自男生還是女生的腦袋嗎?這時深度學習就會是個很實用的工具。

講到這裡,或許會有人想問:判斷性別這麼一個簡單的事情,還用的到深度學習幫忙嗎?其實從另外一個角度來看,人工智慧也許還有著在預測功能以外的潛力呢。

自從二十世紀初,也就是第一張腦電圖問世後,便為醫學界開創了診斷神經疾病的可能性。研究者們試圖在如此微小的訊號中(通常只有幾微伏特)尋找特徵,對照患者臨床表現,進而發展出以腦電圖做定量、定性診斷的技術。即便如此,實務上還是很容易有不確定性,也就是說這一世紀以來就算到了科技進步的現在,我們可能還不是很了解腦電圖與神經病理的關聯性。這之中隱含了太多變數,僅憑人類之力實在是難以去理解背後的疾病模式。

基礎的機器學習早已是被廣泛使用的技術

數十年來,傳統機器學習的方法不乏被用來分析各種生醫信號,其中腦電圖也是一項重要的應用,使得臨床上能夠藉此去定量一些像是癲癇、憂鬱症及注意力缺乏過動症的程度。但是受囿於當時電腦運算的限制,很多時候必須得從大量的原始資料裡,篩選出我們「認為重要」的特徵(Features)再送到數學模型中進行最佳化,也不免得去忽略了那些「我們不重要但可能重要」的資訊。隨著硬體與理論的提升,許多新的方法正逐漸能彌補過去沒能做到的事,現在就要來看一下這個團隊是怎麼實作的。

使用摺積網路(CNN)學習腦電圖的架構

一般來說,腦電圖總共會在頭上分佈24個導程,每個導極若以128Hz的取樣頻率收集2秒鐘的電壓訊號,這樣一個人的腦電圖就可以儲存在一個24乘256的矩陣內了。你或許已經想到,二維分佈的資料好比於一張灰階的影像,因此我們不得不提到CNN,這是一個強大且擅長處理數位影像的模型。

它跟傳統神經網路主要有兩個地方不太一樣,一是在CNN的架構下,每筆資料的輸入輸出以圖形(矩陣)為單位,二來本是簡單的神經元(Neuron),在這邊變成一個個小的濾波器(Filter),讓每個像素上的參數都可以透過學習做出調整。這其實跟實際上的直覺很有關係——我們相信圖片上某個小區域的資訊就能代表整張圖片所被貼上的標記(Label)。假如一個模型想要辨識「狗」,它理應會去尋找照片中最像狗的部分,也許是臉部、也許是身體輪廓,但顯然並不會是照片裡分散模糊的雜訊或是背景。

一張圖片送進神經元後就會與Filter做摺積,產生類似大小的圖片。如此一來,使用類似於深層網路的架構:一個網路可以有很多層Layer,一層Layer又可以放很多個Filter,最後再藉由密集層(Dense Layer)連結所有最後一層的Filter後,便能從中取得預測結果。

研究團隊收集了1308位年齡分佈廣泛、男女比例接近的樣本,並切出其中1000筆資料作為訓練集,讓剩下的作為測試。在CNN的架構下,最好的結果能得到81%的準確率,遠高於使用蒙地卡羅法預測出的63%。至於為何能夠達到如此好的表現,是他們想更深入的議題。

圖一、在這項研究中使用的神經網路架構

預測結果的背後,又代表了什麼意義

CNN被提出時跟機器學習普遍遇到的問題很類似,就算表現很好,但又怎麼去解釋機器學了什麼東西呢?這項研究則採用類似於Google在2015年提出的DeepDream Program,以梯度上升法(Gradient ascent)在反向傳播時(Backpropagation)保留梯度,再從而改變輸入圖片的方法。這聽起來有點複雜,但簡單來說,就是將最能激發Filter的圖片視覺化出來,使我們得以看出這塊經過學習的Filter最能夠被什麼樣的特徵活化。

根據腦波的物理特性,團隊也對DeepDream後的結果做傅立葉轉換,觀察是訊號中的哪些組成成分最為顯著。從他們的結果來看,雖然第二層的Filter看起來只是沒有任何特徵的白噪,在第三層卻可以看出12-25Hz區間存在著較為明顯的能量分佈,更意外的是,這恰好相當於人腦β波的頻帶。此外,最後一層顯示出只有某幾列能出現這樣頻帶的特徵,更說明了模型對於特定導程的訊號會更為敏感。

圖二、(左行)基於Filter生成的圖片,幫助找出容易活化它的特徵;(右行)根據左圖結果做的頻譜分析

如此一來,是不是代表腦波在性別之間真的存在一些差異呢?他們調出資料再觀察頻譜分佈,發現女性β波的平均能量確實相對較高,而且這項差異與導程分佈的位置很有關係,這也隱約解釋了為什麼某幾個Filter會特別將焦點放在某些導程上。

圖三、 (上圖)原始資料裡其中三個導程上的頻譜能量分佈;(下圖)男女腦波的頻率組成差異主要在β波段(圖例代表Z score)

人工智慧的潛力

事實上,在這項研究中,機器不具備任何對於腦神經生理的知識,不做任何物理上的限制與假設,關於β波與性別的關聯性也並不是討論的重點。我們固然發現機器學習能夠從腦波判斷人的性別,代表了腦波中或許真的帶有一些關於性別的資訊。更重要的是,當有些疾病不那麼容易被診斷時,人們的知識還不是很足夠的時候,是不是也可以藉助於機器學習,幫助我們從一些細微的資訊中,找出疾病與某些生理參數的相關性呢?也許結果會很出乎意料,也又提供了科學家們一個值得去探究的方向。

編譯來源:Predicting sex from brain rhythms with deep learning
Michel J. A. M. van Putten, Sebastian Olbrich and Martijn Arns
SCIENTIfIC REPORTS 2018, 8, 3069.


參考文獻:

  1. https://en.wikipedia.org/wiki/DeepDream
  2. https://www.youtube.com/watch?v=FrKWiRv254g
(Visited 38 times, 1 visits today)

分享至
views