深度学习可以从脑波预测性别?

2020-07-21|浏览量:958|点赞:380
深度學習可以從腦波預測性別?

从外观上来判断一个人的性别,这应该要是人类与生俱来的本能。虽然男女之间无论在生理或解剖学上都有相当大的不同,但若只给你一张脑电图,你能看得出来这是来自男生还是女生的脑袋吗?这时深度学习就会是个很实用的工具。

讲到这里,或许会有人想问:判断性别这幺一个简单的事情,还用的到深度学习帮忙吗?其实从另外一个角度来看,人工智慧也许还有着在预测功能以外的潜力呢。

自从二十世纪初,也就是第一张脑电图问世后,便为医学界开创了诊断神经疾病的可能性。研究者们试图在如此微小的讯号中(通常只有几微伏特)寻找特徵,对照患者临床表现,进而发展出以脑电图做定量、定性诊断的技术。即便如此,实务上还是很容易有不确定性,也就是说这一世纪以来就算到了科技进步的现在,我们可能还不是很了解脑电图与神经病理的关联性。这之中隐含了太多变数,仅凭人类之力实在是难以去理解背后的疾病模式。

基础的机器学习早已是被广泛使用的技术

数十年来,传统机器学习的方法不乏被用来分析各种生医信号,其中脑电图也是一项重要的应用,使得临床上能够藉此去定量一些像是癫痫、忧郁症及注意力缺乏过动症的程度。但是受囿于当时电脑运算的限制,很多时候必须得从大量的原始资料里,筛选出我们「认为重要」的特徵(Features)再送到数学模型中进行最佳化,也不免得去忽略了那些「我们不重要但可能重要」的资讯。随着硬体与理论的提升,许多新的方法正逐渐能弥补过去没能做到的事,现在就要来看一下这个团队是怎幺实作的。

 使用摺积网路(CNN)学习脑电图的架构

一般来说,脑电图总共会在头上分布24个导程,每个导极若以128Hz的取样频率收集2秒钟的电压讯号,这样一个人的脑电图就可以储存在一个24乘256的矩阵内了。你或许已经想到,二维分布的资料好比于一张灰阶的影像,因此我们不得不提到CNN,这是一个强大且擅长处理数位影像的模型。

它跟传统神经网路主要有两个地方不太一样,一是在CNN的架构下,每笔资料的输入输出以图形(矩阵)为单位,二来本是简单的神经元(Neuron),在这边变成一个个小的滤波器(Filter),让每个像素上的参数都可以透过学习做出调整。这其实跟实际上的直觉很有关係——我们相信图片上某个小区域的资讯就能代表整张图片所被贴上的标记(Label)。假如一个模型想要辨识「狗」,它理应会去寻找照片中最像狗的部分,也许是脸部、也许是身体轮廓,但显然并不会是照片里分散模糊的杂讯或是背景。

一张图片送进神经元后就会与Filter做摺积,产生类似大小的图片。如此一来,使用类似于深层网路的架构:一个网路可以有很多层Layer,一层Layer又可以放很多个Filter,最后再藉由密集层(Dense Layer)连结所有最后一层的Filter后,便能从中取得预测结果。

研究团队收集了1308位年龄分布广泛、男女比例接近的样本,并切出其中1000笔资料作为训练集,让剩下的作为测试。在CNN的架构下,最好的结果能得到81%的準确率,远高于使用蒙地卡罗法预测出的63%。至于为何能够达到如此好的表现,是他们想更深入的议题。

深度学习可以从脑波预测性别?

图一、在这项研究中使用的神经网路架构

预测结果的背后,又代表了什幺意义

CNN被提出时跟机器学习普遍遇到的问题很类似,就算表现很好,但又怎幺去解释机器学了什幺东西呢?这项研究则採用类似于Google在2015年提出的DeepDream Program,以梯度上升法(Gradient ascent)在反向传播时(Backpropagation)保留梯度,再从而改变输入图片的方法。这听起来有点複杂,但简单来说,就是将最能激发Filter的图片视觉化出来,使我们得以看出这块经过学习的Filter最能够被什幺样的特徵活化。

根据脑波的物理特性,团队也对DeepDream后的结果做傅立叶转换,观察是讯号中的哪些组成成分最为显着。从他们的结果来看,虽然第二层的Filter看起来只是没有任何特徵的白噪,在第三层却可以看出12-25Hz区间存在着较为明显的能量分布,更意外的是,这恰好相当于人脑β波的频带。此外,最后一层显示出只有某几列能出现这样频带的特徵,更说明了模型对于特定导程的讯号会更为敏感。

深度学习可以从脑波预测性别?

图二、(左行)基于Filter生成的图片,帮助找出容易活化它的特徵;(右行)根据左图结果做的频谱分析

如此一来,是不是代表脑波在性别之间真的存在一些差异呢?他们调出资料再观察频谱分布,发现女性β波的平均能量确实相对较高,而且这项差异与导程分布的位置很有关係,这也隐约解释了为什幺某几个Filter会特别将焦点放在某些导程上。

深度学习可以从脑波预测性别?

图三、 (上图)原始资料里其中三个导程上的频谱能量分布;(下图)男女脑波的频率组成差异主要在β波段(图例代表Z score)

人工智慧的潜力

事实上,在这项研究中,机器不具备任何对于脑神经生理的知识,不做任何物理上的限制与假设,关于β波与性别的关联性也并不是讨论的重点。我们固然发现机器学习能够从脑波判断人的性别,代表了脑波中或许真的带有一些关于性别的资讯。更重要的是,当有些疾病不那幺容易被诊断时,人们的知识还不是很足够的时候,是不是也可以藉助于机器学习,帮助我们从一些细微的资讯中,找出疾病与某些生理参数的相关性呢?也许结果会很出乎意料,也又提供了科学家们一个值得去探究的方向。

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


参考文献:

上一篇: 下一篇:

相关推荐