재미있는 연구 소개 감사드립니다. 논문에서 우울증 환자 분류를 위해 resting state data를 사용하였는데, 임상쪽 분류 문제에서는 resting data를 많이 사용하는지요? 주로 특정 task를 수행하고 그에 대한 데이터를 분석한 논문을 주로 보았어서 궁금해서 질문 드립니다.
좋은 질문 감사합니다. 임상쪽 분류 문제에서는 resting data를 더 많이 사용한다고 합니다. 물론 특정 task를 사용한다면 환자들의 특성을 잘 반영할 수 있는 뇌파를 유발시킬 수 있지만, resting-state를 많이 사용하는 이유는 환자 특성 상, 과제를 수행하는데 오랫동안 집중을 하기 어렵고, 간단하게 resting-state를 측정해서 진단에 사용하는게 더 실용적이기 때문에 많이 사용한다고 합니다.
흥미로운 연구 설명부터 소개까지 잘 해주셔서 감사합니다. 몇가지 궁금한 점이 있어 질문남깁니다. 1) 2개 채널만 사용을 하셨는데 사실 채널이 적을수록 실용성은 높아지겠지만 성능을 중점으로 봤을 때 채널개수가 많아야 성능이 좋을 것 같은데 어떤 기준으로 2채널만 선정이 되었고, 굳이 2개만 사용한 이유가 있을까요? 2) depression 환자 관련 연구에서 15명이라는 숫자가 그렇게 많지 않은 숫자로 알고있는데, 적은 수의 환자로 일반화가 가능할지 혹시 문헌에서 논의된게 있는지 궁금합니다!
좋은 질문 감사합니다. 1) 본 논문에서는 left half(FP1-T3 channel pairs), right half(FP2-T4 channel pairs) 이렇게 두가지 pair 채널을 사용했는데 따로 이 두개의 채널이 선정된 이유에 대한 내용은 없었습니다. 2) 15명이라는 숫자는 말씀주신대로 적은 수의 숫자라 일반화가 가능할지에 대해서 저도 궁금했습니다. 이 논문의 Conclusion부분에 적은 숫자에 대한 언급이 있기는한데, 이 논문에서는 "적은 수의 EEG data지만 해당 논문에서 제시한 모델을 사용해서 얻은 결과를 보면, depression을 진단하는 CAD 시스템에서 CNN 모델을 사용할 수 있다는 결론을 내렸다"라고 했습니다. 추가적으로 언급한 내용은 없었습니다.
흥미로운 주제와 발표 감사합니다. 우울증 환자를 진단하는 기준이 전문의의 주관적인 판단이 주를 이루었다고 알고 있었는데 이 연구를 통해 조금 더 객관화 된 것 같습니다. 질문 드리고 싶은 내용은 분석 데이터가 5분의 EC와 EO로 되어 있는데 EC와 EC 데이터가 분류 데이터로 함께 사용되었을까요? 보통 EC와 EO는 분석할 때 따로 사용해왔던 것 같아 질문 드립니다. 또한 우반구가 좌반구 EEG신호가 우울증이 더 뚜렷하다고 말씀하셨는데 accuracy, sensitivity, specificity에서 값들이 크게 차이 나지 않는데 이 부분에서 통계적인 뒷받침이 있을까요?
좋은 질문 감사합니다. 논문에서는 5분동안의 EC와 EO 데이터를 기록했다고만 나와있고 분류시에 같이 사용했는지 따로 사용했는지에 대한 추가적인 설명은 없었습니다. accuracy, sensitivity, specificity의 값들이 크게 차이가 나지는 않았지만, 각각 2%정도씩 우반구에서의 값이 더 커서 논문에서 우반구가 좌반구에 비해 EEG 신호가 우울증이 더 뚜렷하다고 한거 같습니다. 추가적인 통계적인 뒷받침은 당 논문에는 없었습니다.
좋은 논문 소개 감사합니다. 해당 논문은 train/test로 나누는 과정에서 overfitting이 발생했을 가능성이 있어 좋은 결과가 나왔으리라 예상됩니다. 따라서 신경생리학적 근거 기반의 우울증 환자의 우뇌 EEG 신호가 좌뇌 EEG 신호보다 더 뚜렷하다는 결과를 확인한 것으로도 의미가 있다고 생각합니다. 한 가지 궁금한 게 있다면 전전두엽의 채널만을 사용하지 않고 pair로 사용한 이유가 있을까요? 감사합니다.
좋은 질문 감사드립니다. 말씀해주신대로 해당 논문은 train/test로 나누는 과정에서 문제가 있어 overfitting이 발생한 것 같습니다. 해당 논문에서 전전두엽의 채널만을 사용하지 않고 pair로 사용한 이유에 대해서 따로 언급이 된것은 없었습니다. 저도 이부분이 궁금해서 찾아봤었는데 Bipolar derivation은 활성전극간의 전위차에 따라 위상변화를 보임으로써 병소 부위를 찾는데 용이하다고 합니다. 아마도 이러한 이유로 해당 연구에서 Bipolar EEG signals를 측정하지 않았나 생각했습니다. 따로 논문에서 이유에 대해 언급한 부분은 없었습니다. 감사합니다.
좋은 질문 감사합니다. 해당 논문에서는 우뇌의 EEG 데이터가 좌뇌의 데이터에 비해 accuracy, sensitivity, specificity 측면에서 더 높은 성능을 발휘한다는 것을 발견했고, 따라서 우뇌의 EEG 신호가 좌뇌에서 얻은 EEG 신호보다 우울증에 대해 더 뚜렷하다고 결론을 내렸다고 했습니다. 따로 어떠한 뇌파의 특성인지는 언급하지 않았습니다. 이 결과를 통해 우울증이 우뇌에서 더 큰 활성화를 보인다는 최근의 연구 결과(reference: D. Hecht, Depression and the hyperactive right-hemisphere, Neuroscience Research 68 (2010) 77-87)와 일치한다고 합니다.
좋은 발표 감사합니다! 우울장애와 같은 정신질병에 관심이 많았는데 소개해 주신 논문 덕분에 특히 우뇌로부터의 eeg 신호가 우울증에 대한 특징이 더 뚜렷하게 나타나는 편이라는 점을 알게 되었습니다. 논문발표를 들으면서 몇가지 궁금한 점이 생겨서 질문드립니다. 논문에서 사용한 데이터의 패러다임은 5분간의 EO, EC로 이루어져있고 그 중 단지 두가지 pair 채널을 사용하였다고 하였는데, 특별히 EO,EC로 패러다임을 구성한 이유와 두가지 pair 채널이 선정된 이유가 궁금합니다. 그리고 10 fold cross validation을 진행할때 train에 사용된 피험자의 EO 혹은 EC trial이 test에 사용되어 오버피팅이 발생한것은 아닌지 궁금합니다.
좋은 질문 감사합니다. 본 논문에서 사용한 데이터 패러다임은 5분간의 EO, EC로 이루어져있는데 이렇게 패러다임을 구성한 이유에 대한 언급은 따로 없었습니다. 또한 두가지 pair 채널이 선정된 이유에 대한 내용도 없었습니다. 말씀해주신대로 10 fold cross vaildation을 진행할 때, train에 사용된 피험자의 데이터가 test에도 사용되어서 overfitting이 발생했습니다. 따라서 다른 논문들에 비해서 정확도가 높게 나온거 같습니다.
발표 감사합니다. 양측 hemisphere간의 asymmetry가 아니라 반구를 각각 사용한것이 독특한 연구네요. 그런데 EEG를 sementation 했다는 말이 없는걸로 봐서는 1인 1 trial을 사용한 건가요?? 그렇다면 N-fold cross validation 보다 CAD 연구의 특성상 이 사람이 환자냐 정상인이냐를 분류해야 하는 것이니까 leave-one subject out cross validation을 사용하는게 맞지않나 라는 생각이 드는데, 이왕 CAD 연구에 참여하고 있고, 추후에 분류 작업을 해야하니 분석 방법에 관해서 좀 더 자세히 알아보면 좋을것 같아요 training data와 test data를 어떻게 나눴는지 각각 몇 trial을 사용했는 지 등등 확인해보면 좋은 공부가 될 것같습니다 :-)
좋은 질문 감사합니다. 1) 10 fold cross validation을 진행할 때 train에 사용된 피험자의 데이터가 test에도 사용되어서 overfitting이 발생했습니다. 말씀하신대로 환자인지 정상인인지 분류를 해야 하는 CAD 연구의 특성상 이러한 부분은 문제가 있을것이며, 이를 검증하기 위한 연구를 심미선 박사님, 이형탁 선배님, 천혜란 선배님이 진행한 적이 있다고 합니다. 말씀해주신 leave-one subject out cross validation을 사용하는게 CAD 연구 특성상 맞을 것 같고, 이와 같은 분석 방법에 대해서 좀 더 자세히 공부해보겠습니다! 2) training data와 test data를 어떻게 나눴는지 등에 대한 구체적인 내용은 따로 논문에서 설명을 하지 않았고, "90% of the EEG dataset이 train에, 나머지 10% of dataset이 test에 사용되었다"고만 나와있습니다.
흥미로운 연구 소개 감사합니다. 아직 잘 모르는 부분이 많아서 질문 드립니다. 1) CNN 마지막 layer에서 2 neuron 이 정상과 우울을 나타낸다고 하셨는데, 보통 마지막 layer에서 나오는 값들이 물리적인 의미를 갖을 수 있는 건가요? 2) table 3, 4에서 sensitivity 나 specificity 값들이 의미 하는 것이 무엇인가요? 3) 이 논문을 레퍼런스로 하는 이후 논문들이 개선 하려고 하는 부분이 어떤 내용인지 궁금합니다.
좋은 질문 감사합니다. 1) 해당 논문은 13-layers CNN 모델을 통해 우울증환자인지 아니면 정상인인지를 분류하는 CAD연구에 대한 내용입니다. CNN hidden layer들에서 features를 뽑고, 해당 CNN 구조의 마지막 단에는 activation function으로 softmax function이 있는데, 이게 binary classification을 할 수 있게 도와준다고 합니다. 즉, input data가 환자일 경우 0, 정상인일 경우 1을 도출할 수 있도록 하는 function입니다. 따라서 분류 기반의 진단을 할 수 있습니다. 2) confusion matrix에서 환자를 환자라고 정확하게 구분하는 것을 Tp(True positive), 환자를 정상인이라고 구분하는 것을 Fp(False positive), 정상인을 정상인이라고 구분하는 것은 Tn(Ture negative), 정상인을 환자라고 구분하는 것을 Fn(False negative)라고 합니다. 여기서 Accuracy는 환자와 정상인을 올바르게 구별하는 능력으로, (Tp+Tn)/(Tp+Tn+Fp+Fn) 을 말합니다. Sensitivity는 환자의 사례를 정확하게 판단할 수 있는 능력으로, (Tp)/(Tp+Fn)을 말합니다. 마지막으로 specificity는 정상인을 정확하게 판단할 수 있는 능력을 말하며, (Tn)/(Tn+Fp)로 값을 구할 수 있습니다. 3) 이 연구의 확장으로 우울증의 다른 단계와 심각도에 대한 진단과 우울증 심각도 지수(DSI)개발도 될 수 있고, 실시간으로 빠르게 진단 할 수 있게 진단 시스템을 고도화 하는 연구를 할 수도 있습니다. 또한 딥러닝/머신러닝 모델을 통해 단순히 환자 또는 정상인 이라고 구별하고 진단할 수 있는 연구 뿐만 아니라, LRP(Layer-wise Relevance Propagation, 딥러닝 모델의 결과를 역추적해서 입력 이미지에 히트맵을 출력) 등을 이용해 환자들의 신경생리학적 특성을 해석할 수 있는 툴을 개발할수도 있습니다.
좋은 연구 소개 감사합니다. 우울증이 우측 반구에서 더 잘 분류된다는게 신기하네요 해당 문헌은 데이터 처리 과정에서 과적합 문제가 발생했을 확률이 높아, 이를 검증하기 위한 연구를 심미선 박사님께서 진행한 적이 있으니 참고바랍니다 (저나 천혜란 박사과정도 참여하였으니 궁금한 사항은 언제든지 질문주세요)
데이터 처리 과정에서 과적합 문제가 발생했을 확률이 높다고는 생각해보지 못했는데, 알려주셔서 새로운 사실을 알 수 있었습니다. 앞으로 연구를 진행하면서 과적합 문제가 일어나지 않도록 말씀해주신 내용(Cross-validation 할 때 주의사항) 기억하고 진행하겠습니다! 감사합니다!
![[저널 미팅] Machine learning-based prediction of heat pain sensitivity by using resting-state EEG](http://i.ytimg.com/vi/wEqAEEgIOTw/mqdefault.jpg)
![[저널 미팅] Machine learning–based prediction of heat pain sensitivity by using resting-state EEG](/img/tr.png)
![[저널미팅]Analysis of functional network asymmetry in major depressive disorder under four fNIRS tasks](http://i.ytimg.com/vi/4lTgYgihrpE/mqdefault.jpg)
![[책이벤트] 이것을 찾는 게 진짜 노후 대비입니다 | 김민식 작가, 전 MBC PD | #직장인 #동기부여 #성장 | 세바시 1912회](/img/1.gif)
좋은 발표 감사합니다. 좌뇌 우뇌 에 따라 분류한다는 아이디어가 흥미로웠던 것 같습니다. 잘 설명해주셔서 감사합니다.
들어주셔서 감사합니다!
좋은 발표 감사합니다. 우울증에 대한 EEG신호가 우측 반구에서 유의미한 신호를 뚜렷하게 살펴볼 수 있다는 점에서 흥미로웠습니다. 흥미로운 연구에 대해 소개해주셔서 감사합니다.
들어주셔서 감사합니다!
재미있는 연구 소개 감사드립니다. 논문에서 우울증 환자 분류를 위해 resting state data를 사용하였는데, 임상쪽 분류 문제에서는 resting data를 많이 사용하는지요? 주로 특정 task를 수행하고 그에 대한 데이터를 분석한 논문을 주로 보았어서 궁금해서 질문 드립니다.
좋은 질문 감사합니다. 임상쪽 분류 문제에서는 resting data를 더 많이 사용한다고 합니다. 물론 특정 task를 사용한다면 환자들의 특성을 잘 반영할 수 있는 뇌파를 유발시킬 수 있지만, resting-state를 많이 사용하는 이유는 환자 특성 상, 과제를 수행하는데 오랫동안 집중을 하기 어렵고, 간단하게 resting-state를 측정해서 진단에 사용하는게 더 실용적이기 때문에 많이 사용한다고 합니다.
좋은 연구 소개 감사합니다.
해당 논문에서 paradigm으로 resting state만 사용한 것 같은데 Fp1,T3, Fp2, T4 채널만 사용한 이유가 있나요? 아니면 선행연구나 depression 환자에게서 측정한 경우가 4개의 채널이 주요한 것인가요?
좋은 질문 감사합니다. 본 논문에서는 left half(FP1-T3 channel pairs), right half(FP2-T4 channel pairs) 이렇게 두가지 pair 채널을 사용했으며, 따로 이 두개의 채널이 선정된 이유에 대한 내용은 없었습니다.
@@YiEunGyoung 답변 감사드립니다.
해당 논문은 CNN을 depression patients에게 적용해본 최초의 논문이고, 2018년도에 publish된 이후 200번 이상 citation 된 논문입니다. 잘 정리 해 주신 것 같네요. 발표 잘 들었습니다 :)
CNN을 depression patients에 적용한 연구가 제가 생각한것보다 최근인 2018년도에 publish된 이 논문이 최초의 논문이라는 것을 알고 놀랐습니다. 이 논문의 citation도 많은 줄 몰랐는데, 새로운 사실을 알게 되었습니다. 감사합니다!!
흥미로운 연구 설명부터 소개까지 잘 해주셔서 감사합니다. 몇가지 궁금한 점이 있어 질문남깁니다. 1) 2개 채널만 사용을 하셨는데 사실 채널이 적을수록 실용성은 높아지겠지만 성능을 중점으로 봤을 때 채널개수가 많아야 성능이 좋을 것 같은데 어떤 기준으로 2채널만 선정이 되었고, 굳이 2개만 사용한 이유가 있을까요? 2) depression 환자 관련 연구에서 15명이라는 숫자가 그렇게 많지 않은 숫자로 알고있는데, 적은 수의 환자로 일반화가 가능할지 혹시 문헌에서 논의된게 있는지 궁금합니다!
좋은 질문 감사합니다.
1) 본 논문에서는 left half(FP1-T3 channel pairs), right half(FP2-T4 channel pairs) 이렇게 두가지 pair 채널을 사용했는데 따로 이 두개의 채널이 선정된 이유에 대한 내용은 없었습니다.
2) 15명이라는 숫자는 말씀주신대로 적은 수의 숫자라 일반화가 가능할지에 대해서 저도 궁금했습니다. 이 논문의 Conclusion부분에 적은 숫자에 대한 언급이 있기는한데, 이 논문에서는 "적은 수의 EEG data지만 해당 논문에서 제시한 모델을 사용해서 얻은 결과를 보면, depression을 진단하는 CAD 시스템에서 CNN 모델을 사용할 수 있다는 결론을 내렸다"라고 했습니다. 추가적으로 언급한 내용은 없었습니다.
@@YiEunGyoung 상세한 답변 감사합니다
우뇌의 EEG 신호에서 우울증이 더 뚜렷하게 관찰된다는 점이 신기했는데, 추가적인 조사로 최근 연구 내용과 일치한다는 점까지 알려주셔서 더욱 흥미로웠습니다! 좋은 발표 감사합니다!
들어주셔서 감사합니다!
흥미로운 주제와 발표 감사합니다.
우울증 환자를 진단하는 기준이 전문의의 주관적인 판단이 주를 이루었다고 알고 있었는데 이 연구를 통해 조금 더 객관화 된 것 같습니다. 질문 드리고 싶은 내용은 분석 데이터가 5분의 EC와 EO로 되어 있는데 EC와 EC 데이터가 분류 데이터로 함께 사용되었을까요? 보통 EC와 EO는 분석할 때 따로 사용해왔던 것 같아 질문 드립니다. 또한 우반구가 좌반구 EEG신호가 우울증이 더 뚜렷하다고 말씀하셨는데 accuracy, sensitivity, specificity에서 값들이 크게 차이 나지 않는데 이 부분에서 통계적인 뒷받침이 있을까요?
좋은 질문 감사합니다. 논문에서는 5분동안의 EC와 EO 데이터를 기록했다고만 나와있고 분류시에 같이 사용했는지 따로 사용했는지에 대한 추가적인 설명은 없었습니다. accuracy, sensitivity, specificity의 값들이 크게 차이가 나지는 않았지만, 각각 2%정도씩 우반구에서의 값이 더 커서 논문에서 우반구가 좌반구에 비해 EEG 신호가 우울증이 더 뚜렷하다고 한거 같습니다. 추가적인 통계적인 뒷받침은 당 논문에는 없었습니다.
좋은 논문 소개 감사합니다. 해당 논문은 train/test로 나누는 과정에서 overfitting이 발생했을 가능성이 있어 좋은 결과가 나왔으리라 예상됩니다. 따라서 신경생리학적 근거 기반의 우울증 환자의 우뇌 EEG 신호가 좌뇌 EEG 신호보다 더 뚜렷하다는 결과를 확인한 것으로도 의미가 있다고 생각합니다. 한 가지 궁금한 게 있다면 전전두엽의 채널만을 사용하지 않고 pair로 사용한 이유가 있을까요? 감사합니다.
좋은 질문 감사드립니다.
말씀해주신대로 해당 논문은 train/test로 나누는 과정에서 문제가 있어 overfitting이 발생한 것 같습니다.
해당 논문에서 전전두엽의 채널만을 사용하지 않고 pair로 사용한 이유에 대해서 따로 언급이 된것은 없었습니다. 저도 이부분이 궁금해서 찾아봤었는데 Bipolar derivation은 활성전극간의 전위차에 따라 위상변화를 보임으로써 병소 부위를 찾는데 용이하다고 합니다. 아마도 이러한 이유로 해당 연구에서 Bipolar EEG signals를 측정하지 않았나 생각했습니다. 따로 논문에서 이유에 대해 언급한 부분은 없었습니다. 감사합니다.
@@YiEunGyoung 넵!! 답변 감사합니다!!
@@YiEunGyoung 답변 감사합니다!
좋은 발표 감사합니다.
discussion에서 우울증과 관련된 EEG 신호가 좌뇌 대비 우뇌에서 더 뚜렷하다는 선행 연구가 있다고 언급하셨는데, 저 뚜렷하게 나타난다는 뇌파의 특성이 어떤 특성이었나요?
좋은 질문 감사합니다. 해당 논문에서는 우뇌의 EEG 데이터가 좌뇌의 데이터에 비해 accuracy, sensitivity, specificity 측면에서 더 높은 성능을 발휘한다는 것을 발견했고, 따라서 우뇌의 EEG 신호가 좌뇌에서 얻은 EEG 신호보다 우울증에 대해 더 뚜렷하다고 결론을 내렸다고 했습니다. 따로 어떠한 뇌파의 특성인지는 언급하지 않았습니다. 이 결과를 통해 우울증이 우뇌에서 더 큰 활성화를 보인다는 최근의 연구 결과(reference: D. Hecht, Depression and the hyperactive right-hemisphere, Neuroscience Research 68 (2010) 77-87)와 일치한다고 합니다.
@@YiEunGyoung 답변 감사합니다.
좋은 발표 감사합니다! 우울장애와 같은 정신질병에 관심이 많았는데 소개해 주신 논문 덕분에 특히 우뇌로부터의 eeg 신호가 우울증에 대한 특징이 더 뚜렷하게 나타나는 편이라는 점을 알게 되었습니다. 논문발표를 들으면서 몇가지 궁금한 점이 생겨서 질문드립니다. 논문에서 사용한 데이터의 패러다임은 5분간의 EO, EC로 이루어져있고 그 중 단지 두가지 pair 채널을 사용하였다고 하였는데, 특별히 EO,EC로 패러다임을 구성한 이유와 두가지 pair 채널이 선정된 이유가 궁금합니다. 그리고 10 fold cross validation을 진행할때 train에 사용된 피험자의 EO 혹은 EC trial이 test에 사용되어 오버피팅이 발생한것은 아닌지 궁금합니다.
좋은 질문 감사합니다. 본 논문에서 사용한 데이터 패러다임은 5분간의 EO, EC로 이루어져있는데 이렇게 패러다임을 구성한 이유에 대한 언급은 따로 없었습니다. 또한 두가지 pair 채널이 선정된 이유에 대한 내용도 없었습니다.
말씀해주신대로 10 fold cross vaildation을 진행할 때, train에 사용된 피험자의 데이터가 test에도 사용되어서 overfitting이 발생했습니다. 따라서 다른 논문들에 비해서 정확도가 높게 나온거 같습니다.
@@YiEunGyoung
자세한 답변 감사합니다!
좋은 연구 소개 감사합니다. 연구 결과 우울감이 좌뇌보다 우뇌의 EEG신호에서 더 뚜렷하게 나타났다는 점이 흥미로웠습니다. 감사합니다 : )
들어주셔서 감사합니다!
좋은 발표 감사드립니다.
우뇌의 EEG신호가 좌뇌의 EEG신호보다 우울증에 대한 특징이 더 뚜렸하다는 사실이 흥미로운데, 혹시 좌뇌와 우뇌를 직접적으로 분류한 결과 혹은 그에 대한 언급은 따로 없었는지 궁금합니다!
좋은 질문 감사합니다. 좌뇌와 우뇌를 직접적으로 분류한 결과나 이에 대한 언급은 해당 논문에 따로 없었고, 우뇌와 좌뇌의 EEG 신호에 대한 언급만 있었습니다.
@@YiEunGyoung 답변 감사드립니다!
발표 감사합니다. 양측 hemisphere간의 asymmetry가 아니라 반구를 각각 사용한것이 독특한 연구네요. 그런데 EEG를 sementation 했다는 말이 없는걸로 봐서는 1인 1 trial을 사용한 건가요?? 그렇다면 N-fold cross validation 보다 CAD 연구의 특성상 이 사람이 환자냐 정상인이냐를 분류해야 하는 것이니까 leave-one subject out cross validation을 사용하는게 맞지않나 라는 생각이 드는데, 이왕 CAD 연구에 참여하고 있고, 추후에 분류 작업을 해야하니 분석 방법에 관해서 좀 더 자세히 알아보면 좋을것 같아요 training data와 test data를 어떻게 나눴는지 각각 몇 trial을 사용했는 지 등등 확인해보면 좋은 공부가 될 것같습니다 :-)
좋은 질문 감사합니다.
1) 10 fold cross validation을 진행할 때 train에 사용된 피험자의 데이터가 test에도 사용되어서 overfitting이 발생했습니다. 말씀하신대로 환자인지 정상인인지 분류를 해야 하는 CAD 연구의 특성상 이러한 부분은 문제가 있을것이며, 이를 검증하기 위한 연구를 심미선 박사님, 이형탁 선배님, 천혜란 선배님이 진행한 적이 있다고 합니다. 말씀해주신 leave-one subject out cross validation을 사용하는게 CAD 연구 특성상 맞을 것 같고, 이와 같은 분석 방법에 대해서 좀 더 자세히 공부해보겠습니다!
2) training data와 test data를 어떻게 나눴는지 등에 대한 구체적인 내용은 따로 논문에서 설명을 하지 않았고, "90% of the EEG dataset이 train에, 나머지 10% of dataset이 test에 사용되었다"고만 나와있습니다.
좋은 발표 감사합니다!
우측 반구가 좌측 반구에 비해 유의미한 결과를 낼 수 있다는 사실이 향후 진행 연구에도 도움을 줄 수 있을 것 같습니다!
들어주셔서 감사합니다!
좋은 논문 소개 감사합니다. 평소 감성은 이성으로 판단할 수 없다 생각했는데 이런 우울증과 같은 여러가지 감정까지도 뇌파로 판단하여 분석하는것을 보니 더욱 흥미롭게 느껴졌습니다.
들어주셔서 감사합니다!
아직 많은 논문을 보지 못했을 텐데, 논문 정리 잘 한 것 같구나~ 해당 논문은 진행하고자 하는 연구에 좋은 참고 자료가 될 것 같구나. 연구에 있어 논문은 다다익선이니 꾸준히 논문 공부하기 바라마.
네 알겠습니다! 감사합니다!
흥미로운 연구 소개 감사합니다. 아직 잘 모르는 부분이 많아서 질문 드립니다.
1) CNN 마지막 layer에서 2 neuron 이 정상과 우울을 나타낸다고 하셨는데, 보통 마지막 layer에서 나오는 값들이 물리적인 의미를 갖을 수 있는 건가요?
2) table 3, 4에서 sensitivity 나 specificity 값들이 의미 하는 것이 무엇인가요?
3) 이 논문을 레퍼런스로 하는 이후 논문들이 개선 하려고 하는 부분이 어떤 내용인지 궁금합니다.
좋은 질문 감사합니다.
1) 해당 논문은 13-layers CNN 모델을 통해 우울증환자인지 아니면 정상인인지를 분류하는 CAD연구에 대한 내용입니다. CNN hidden layer들에서 features를 뽑고, 해당 CNN 구조의 마지막 단에는 activation function으로 softmax function이 있는데, 이게 binary classification을 할 수 있게 도와준다고 합니다. 즉, input data가 환자일 경우 0, 정상인일 경우 1을 도출할 수 있도록 하는 function입니다. 따라서 분류 기반의 진단을 할 수 있습니다.
2) confusion matrix에서 환자를 환자라고 정확하게 구분하는 것을 Tp(True positive), 환자를 정상인이라고 구분하는 것을 Fp(False positive), 정상인을 정상인이라고 구분하는 것은 Tn(Ture negative), 정상인을 환자라고 구분하는 것을 Fn(False negative)라고 합니다. 여기서 Accuracy는 환자와 정상인을 올바르게 구별하는 능력으로, (Tp+Tn)/(Tp+Tn+Fp+Fn) 을 말합니다. Sensitivity는 환자의 사례를 정확하게 판단할 수 있는 능력으로, (Tp)/(Tp+Fn)을 말합니다. 마지막으로 specificity는 정상인을 정확하게 판단할 수 있는 능력을 말하며, (Tn)/(Tn+Fp)로 값을 구할 수 있습니다.
3) 이 연구의 확장으로 우울증의 다른 단계와 심각도에 대한 진단과 우울증 심각도 지수(DSI)개발도 될 수 있고, 실시간으로 빠르게 진단 할 수 있게 진단 시스템을 고도화 하는 연구를 할 수도 있습니다. 또한 딥러닝/머신러닝 모델을 통해 단순히 환자 또는 정상인 이라고 구별하고 진단할 수 있는 연구 뿐만 아니라, LRP(Layer-wise Relevance Propagation, 딥러닝 모델의 결과를 역추적해서 입력 이미지에 히트맵을 출력) 등을 이용해 환자들의 신경생리학적 특성을 해석할 수 있는 툴을 개발할수도 있습니다.
좋은 연구 소개 감사합니다. 우울증이 우측 반구에서 더 잘 분류된다는게 신기하네요
해당 문헌은 데이터 처리 과정에서 과적합 문제가 발생했을 확률이 높아, 이를 검증하기 위한 연구를 심미선 박사님께서 진행한 적이 있으니 참고바랍니다 (저나 천혜란 박사과정도 참여하였으니 궁금한 사항은 언제든지 질문주세요)
데이터 처리 과정에서 과적합 문제가 발생했을 확률이 높다고는 생각해보지 못했는데, 알려주셔서 새로운 사실을 알 수 있었습니다. 앞으로 연구를 진행하면서 과적합 문제가 일어나지 않도록 말씀해주신 내용(Cross-validation 할 때 주의사항) 기억하고 진행하겠습니다! 감사합니다!