모델 학습 프로세스

qEEG 데이터와 CDT feature(score) 데이터, CDT image 데이터의 퇴행성 뇌질환 분류모델 적용을 위한 학습 프레임워크
본 사업의 AI모델 적용시에는 정상 300명, 경도인지장애 400명, 치매 200명의 데이터를 사용하였으며 Train Set : Validation Set : Test Set 비율은 80%, 10%, 10%로 분석진행

데이터 전처리 

데이터의 merging과 matching, 데이터  scaling의 전처리 과정을 거쳐, 각 변수의 독립적인 특징을 평가하기 위해 Family Wise Error Rate(FWER)이 보정된 p-values에서 p-values cut off (유의수준)에 따라 유의한 변수만 가져오기 위한 mask를 생성함  
p-values cut off을 유의수준으로 수행한 다중 검정으로 증가한 FWER 위하여 adjust method로 p-value 보정
CDT score의 경우 순위 기반의 범주형 데이터이므로 scaling 과정은 생략한다. 
CDT image의 경우 시계 이미지의 크기에 맞게 bounding box 구현 후, 시계 그림만 cropping, resizing작업을 진행하여 모델에 적용하였다. 
*resize image shape = (128,128)

학습모델

단일 모달리티를 위한 머신러닝 모델로는 Support Vector Machine(Linear, Radial Basis Function), Logistic Regression, Random Forest를 사용함. 
CDT image 데이터 분석을 위한 Convolution Neural Network 모델을 사용하였고, 컨볼루션 신경망 모델 주요 학습 파라미터는 다음과 같이 사용함.
*optimizer = Adam, Loss = categorical cross entropy, Total Params  = 741,827
멀티모달 기반의 앙상블기법에 soft voting 방법을 사용하여 F1score로 평가함

 데이터 포멧

 데이터 구성
- 기관코드

- 데이터 코드(질병 구분별)

어노테이션 포맷
 (1) CDT 데이터 (임상정보)

 (2) CDT 데이터 (시계판 완결성)

 (3) CDT 데이터 (숫자의 표기여부 및 순서)

 (4) CDT 데이터 (바늘의 표기 여부 및 배치)

 (5) CDT 데이터 (시계의 크기)

 (6) CDT 데이터 (그리기 어려움)

 (7) CDT 데이터 (자극속박반응)

 (8) CDT 데이터 (개념적 결함)

 (9) CDT 데이터 (공간과계획 결함)

 (10) CDT 데이터 (보속)