다변수 및 다중 모드 시계열을 사용하여 임시 수면 단계 분류를 위한 딥러닝 아키텍처 (1)

다변수 및 다중 모드 시계열을 사용하여 임시 수면 단계 분류를 위한 딥러닝 아키텍처

 

https://www.researchgate.net/figure/Proposed-automatic-sleep-stage-classification-architecture_fig1_342184903

 

수면 단계 분류는 수면 장애 진단에 중요한 예비 검사를 구성한다. 이것은 전통적으로 뇌파도 (EEG), 심전도 (EOG), 심전도 및 근전도 (EMG)와 같은 신호의 육안 검사를 기반으로 수면 단계의 신호를 30초마다 할당하는 수면 전문가에 의해 수행된다. 여기에서 스펙트로그램을 계산하거나 손으로 만든 기능을 추출하지 않고 종단 간 학습을 하고 모든 다변수 및 다양한 수면다원검사 (PSG) 신호 (EEG, EMG 및 EOG)를 ​​활용하는 수면 단계 분류를 위한 최초의 딥러닝 접근 방식이 필요하다.

 

각 30초의 window 데이터 시간적 context를 활용한다. 각 양식에 대해 첫 번째 계층은 센서 어레이를 활용하여 신호 대 잡음비를 높이는 선형 공간 필터를 학습한다. 마지막 레이어는 학습된 표현을 softmax 분류기에 제공한다. 모델은 convolution network 또는 의사 결정 트리를 기반으로 하는 대체 자동 접근 방식과 비교된다. 최대 20개의 EEG 채널과 함께 공개적으로 사용 가능한 61개의 PSG 레코드에서 얻은 결과는 네트워크 아키텍처가 최첨단 성능을 산출함을 보여준다. 

 

관심 신호의 시공간 분포에 대한 많은 통찰력을 보여준다. 균형 잡힌 정확도로 측정된 최적의 분류 성능을 위한 좋은 절충안은 2개의 EOG (왼쪽 및 오른쪽) 및 턱 채널이 있는 3개의 EMG, 6개의 EEG를 사용하는 것이다. 또한 각 데이터 세그먼트 전후에 1분의 데이터를 활용하는 것은 제한된 수의 채널을 사용할 수 있을 때 가장 강력한 개선을 제공한다.

 

수면 점수 또는 수면 단계 분류라고도 하는 수면 단계 식별은 수면과 수면 장애를 더 잘 이해하는 데 매우 중요하다. 실제로, 야간 수면 단계의 순서인 최면도의 구성은 종종 예비 검사로 불면증이나 수면 무호흡증과 같은 수면 장애 진단에 포함된다. 전통적으로 이 시험은 다음과 같이 수행된다.

 

먼저 대상자는 수면다원검사 (PSG)를 수행하는 의료 기기를 착용하고 잔다. 머리 위의 서로 다른 위치에서 뇌파검사 (EEG) 신호를 기록하고, 뇌전도 (EOG) 신호, 근전도 (EMG) 신호 등을 기록한다. 둘째, 수면 전문가는 밤에 기록된 다양한 시계열을 살펴보고 AASM (American Academy of Sleep Medicine) 규칙 또는 Rechtschaffen and Kales (RK) 규칙을 따른다. AASM 규칙과 관련하여 깨우기 (W), 빠른 안구 운동 (REM), 비 REM1 (N1), 비 REM2 (N2) 및 비 REM3 (N3)의 5단계가 식별된다. 그것들은 뚜렷한 시간과 빈도 패턴이 특징이며 밤 동안의 비율도 다르다. 예를 들어, N1과 같은 일시적인 단계는 REM 또는 N2보다 덜 빈번하다. AASM 규칙의 경우 두 가지 다른 단계 간의 전환도 문서화되며 전환 규칙은 기록원의 최종 결정을 조정할 수 있다. 실제로 N1-N2 전환에 대한 각성, K-복합체 또는 방추와 같은 일부 이벤트의 발생에 따라 일부 전환이 금지되거나 다른 전환이 강화된다. 이 시험 덕분에 매우 귀중한 정보가 수집되지만 수면 채점은 지루하고 시간이 많이 걸리는 작업이며 채점자의 주관성과 변동성에 영향을 받는다.

 

https://ieeexplore.ieee.org/abstract/document/8307462

A Deep Learning Architecture for Temporal Sleep Stage Classification Using Multivariate and Multimodal Time Series