다변수 및 다중 모드 시계열을 사용하여 임시 수면 단계 분류를 위한 딥러닝 아키텍처 (2)

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

 

 

통계적 기계 학습 관점에서 문제는 불균형 다중 클래스 예측 문제이다. 최첨단 자동 접근 방식은 분류에 사용된 특징을 전문 지식을 사용하여 추출하는지 또는 원시 신호에서 학습하는지에 따라 두 가지 범주로 분류할 수 있다. 첫 번째 범주의 방법은 수작업으로 제작된 기능을 설계할 수 있는 신호와 이벤트에 대한 사전 지식을 사용한다. 두 번째 범주의 방법은 변환된 데이터 또는 convolution neural network을 가진 원시 데이터에서 직접 적절한 특징 표현을 학습하는 것이다. 최근, 적대적 심층 신경망을 사용하여 전파 신호에 대한 수면 단계 분류를 수행하는 다른 방법이 제안되었다.

 

주요 통계 학습 과제 중 하나는 이 응용 프로그램에 중요한 실질적인 의미를 갖는 분류 작업의 불균형성이다. 일반적으로 N1과 같은 수면 단계는 N2 단계에 비해 드물다. 매우 불균형한 클래스로 예측 알고리듬을 학습할 때, 고전적으로 발생하는 것은 결과 시스템이 가장 희귀한 클래스를 예측하지 않는 경향이 있다는 것이다. 이 문제를 해결하는 한 가지 방법은 희귀 표본에서 오류를 발생시키는 비용이 더 커지도록 모형 손실 함수의 가중치를 재조정하는 것이다. 신경망에 사용되는 온라인 훈련 접근 방식을 통해 이를 달성하는 한 가지 방법은 균형 잡힌 샘플링, 즉 각 클래스의 데이터 포인트를 최대한 많이 포함하는 데이터 배치를 네트워크에 제공하는 것이다. 이것은 실제로 예측 모델이 가장 빈번한 단계로 편향되는 것을 방지한다. 그러나 그러한 전략은 사용된 평가 지표의 선택에 대한 의문을 제기한다. 표준 정확도 메트릭 (Acc)은 모든 예측 실수가 동일한 비용을 갖는다고 간주한다. N2가 데이터의 90%를 나타내며, 항상 N2가 90%의 정확도로 이어질 것으로 예측한다고 가정하면 분명히 잘못된 것이다. 불균형 클래스가 있는 경우 모형을 더 잘 평가하는 자연스러운 방법은 균형 정확도 (B. Acc) 메트릭을 사용하는 것이다. 이 측정법을 사용하면 N2형 표본의 실수 비용은 데이터에서 N2형 표본의 비율에 반비례한다. 그렇게 함으로써, 모든 수면 단계는 최종 성과 수치에 동일한 영향을 미친다.

 

또 다른 통계적 학습 과제는 전환 규칙이 처리되는 방식에 관한 것이다. 실제로 전환 규칙이 득점자의 최종 결정에 영향을 미칠 수 있으므로 예측 모델은 성능을 높이기 위해 이를 고려할 수 있다. 이는 최종 분류기에 인접 시간 세그먼트의 기능을 제공하여 가능하다. 이것을 시간적 수면 단계 분류라고 한다.

 

많은 공공 수면 데이터 세트에는 여러 EEG 채널이 있는 PSG 기록과 EOG 또는 EMG 채널과 같은 추가 양식이 포함되어 있다. 이러한 양식은 인간 전문가가 수면 채점에 사용하지만 자동 시스템에서는 거의 고려하지 않는다. EEG 양식에만 초점을 맞추면 EEG 데이터의 다변량 특성이 귀중한 정보를 전달한다고 생각하는 것이 당연하다. 이것은 적어도 전극 제거 또는 불량 채널에 대처하기 위해 이용될 수 있으며 따라서 예측 알고리즘의 견고성을 향상시킬 수 있다. 그러나 이것은 알고리즘의 예측 능력을 향상시키기 위한 지렛대로 이용될 수도 있다. 실제로 EEG 커뮤니티는 전체 센서 어레이에서 관심 효과의 신호 대 잡음비 (SNR)를 증가시키는 여러 방법을 설계한다. 이러한 방법 중에는 선형 공간 필터라고 하며 PCA/ICA, BCI 애플리케이션을 위한 공통 공간 패턴 또는 소스 위치 파악을 위한 beamforming 방법과 같은 고전적인 기술이 포함된다. 덜 고전적이고 보다 최근에는 EEG 데이터에서 학습하기 위해 다양한 딥러닝 접근 방식이 제안되었으며 이러한 기여 중 일부는 공간 필터로 요약되는 첫 번째 layer를 사용한다. 특징 표현을 학습하고 여러 센서에서 오는 데이터에 대한 수면 단계를 분류하기 위해 심층 신경망을 사용하여 조사되었다. 그러나 공간 필터링 단계를 사용하여 예측 성능을 향상시키는 정도를 추가로 조사하고 정량화한다.

 

여러 양식 (EEG, EOG, EMG)에서 오는 다변수 시계열을 사용하여 시간적 수면 단계 분류를 수행하기 위한 종단간 딥러닝 접근 방식이 필요하다. 또한 각 데이터 세그먼트의 시간적 컨텍스트가 모델에서 어떻게 활용될 수 있는지 자세히 설명해야 한다. 그런 다음 공개적으로 사용 가능한 데이터에 대한 접근 방식을 벤치마킹하고 이를 최신 수면 단계 분류 방법과 비교한다. 마지막으로 공간적 맥락, 시간적 맥락, 훈련 데이터의 양에 대한 접근 방식의 종속성을 탐색한다.

 

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

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