수면 데이터 분석을 위한 진단 기준 (2)

수면다원 데이터의 자동 분석

 

최근까지 수면다원검사 기록을 기반으로 한 수면 병기 및 사지 움직임 및 수면 관련 호흡 장애 진단은 반자동 PSG 모니터링 시스템의 도움으로 수면 단계, 움직임, 및 수면 기록으로부터의 호흡 사건 수면 전문가에 의해 대부분 수동으로 수행된다. 그러나 궁극적인 채점은 여전히 ​​인간 전문가에 의해 이루어진다.

 

최근에는 PSG 분석의 자동화 및 아티팩트 감지와 같은 데이터 전처리를 위한 머신 러닝 접근 방식이 평가되었다. 다양한 기능 세트와 분류기의 조합을 사용하면 유망한 결과를 얻을 수 있다. 기능 기반 기계 학습 접근 방식은 종종 분석할 신호에 대한 다음과 같은 시간적 설명을 사용한다.

 

선 길이는 30초 에포크동안 파생된 기록된 그래프의 총 길이이다. 이 시간적 특성은 진폭 및 주파수 특성의 혼합을 나타내며 수면 위상 분류를 위한 기능 세트의 일부로 사용할 수 있다. 첨도 (Kurtosis)는 기능 세트의 일부로 신호 속성을 특성화하기 위해 시간 신호 표현에서 극단값 존재를 감지하는 데 유용할 수 있는 통계적 매개변수이다. Sample entropy는 시계열의 예측 불가능성을 설명하는 시간적 매개변수입니이 즉, 샘플 엔트로피는 주어진 기간 동안 이전 값에 대한 데이터 포인트의 의존성을 나타낸다. 스핀들 또는 K-복합체와 같은 배경 신호에서 미세 이벤트의 존재를 예측하기 위해 자주 적용되는 측정이다. Multiscale entropy (MSE)는 시간 영역에서 복잡한 생리학적 데이터의 분석에 사용되는 또 다른 기능이며 수면 단계에 적용되었다. 요컨대, MSE는 여러 시간 척도에 걸쳐 시계열의 구조적 복잡성을 측정한다. 단극성 EEG 파생물의 복잡성 측정, 특히 fractal dimension and sample entropy는 CAP의 주기 유형에 적합한 예측 변수인 것으로 나타났다. 미세수면 구조 분석 및 수면 단계 분류에 적용할 수 있다. 스펙트럼 분석 (spectral analysis)의 경우, 일반적으로 에포크 내 스펙트럼의 시간적 변화를 캡처하기 위해 단기 스펙트럼 변환이 배포된다. 선택한 프레임 길이는 1초에서 몇 초 사이이다. 다른 백분위수, 최소값, 평균, 표준 편차, 첨도 및 연속 프레임의 유도와 같은 상대 스펙트럼 에너지 또는 전력 스펙트럼 밀도 (Relative spectral energy or power spectral density) 및 통계 계수는 수면 단계 결정을 지원하기 위해 다양한 유형의 뇌파를 분류하는 데 사용된다. 또한, EEG 기록에서 CAP 위상을 분류하기 위해 복잡도 매개변수와 전력 스펙트럼 구성요소를 테스트하여 유망한 결과를 얻었다. 웨이블릿 (Wavelets)은 PSG 데이터 분석을 위해 테스트되었다. 푸리에 변환과 같은 단기 시간 스펙트럼 변환은 일반적으로 시간 해상도와 스펙트럼 해상도 사이의 절충을 초래한다. 종종 저주파 범위의 상세한 스펙트럼 분해능이 바람직하지만 스펙트럼의 시간적 과정의 미세한 분해능은 고주파수에 중요하다. 웨이블릿 변환은 미세한 저주파 스펙트럼과 상세한 고주파 시간 분해능을 모두 허용하므로 비정상 신호 분석에 유용한 정보를 제공한다. 웨이블릿은 짧은 시간에 발생하는 진동을 수학적으로 표현한 것이며, 웨이블릿 변환은 주파수와 시간으로 정의된 스케일링 및 변환된 웨이블릿의 조합으로 신호를 나타낸다. 웨이블릿 변환은 신호를 저역 통과 정보를 전달하는 근사 부분과 고역 통과 정보를 포함하는 세부 부분이 있는 직교 부분 공간 트리로 분해하는 대역 통과 필터의 계단식으로 이해될 수 있다. 웨이블릿 패킷 변환은 차례로 원래 신호의 근사값과 세부 정보 부분을 모두 분해한다. 또는 다르게 표현하면 WT는 저역 통과 필터만 사용하지만 WPT는 저역 통과 필터와 고역 통과 필터를 모두 사용한다. 웨이블릿 패킷 기반 특징 추출 알고리즘은 EEG, EOG 및 ECG 신호의 분류를 위해 성공적으로 테스트되었다. Tunable Q-factor 웨이블릿 변환은 유망한 결과를 가진 수면 방추 및 K-복합체의 검출을 위해 적용되었다. 통계적 추론 (Statistical inference) 기반 알고리즘은 CAP 단계 경계의 감지에서 인간 득점자를 지원하기 위해 적용되었다.

 

익스트림 머신러닝과 같은 다양한 고급 머신 분류기가 평가되었다. 딥러닝 방법은 PSG 분류에도 적용되었으며 , 종단 간 접근 방식이 배포되어 사전에 특징을 추출하지 않고 레이블이 지정된 원시 신호에서 직접 분류기를 훈련할 수 있다.

 

결과는 특히 깊은 수면 (N2 및 N3)에 대한 인간 전문가 점수와 유망한 상관 관계를 보여준다. 특히, 가벼운 수면 (N1) 및 REM 수면의 분류는 각성 단계와 혼동되는 경향이 있는 이러한 단계와 비교하여 덜 정확한 결과를 산출한다.

 

https://www.researchgate.net/figure/Deep-RCNN-layout-for-automated-polysomnography-analysis-a-Data-are-recorded-during_fig1_329028149

 

대부분의 실험은 비교적 작은 데이터 세트를 기반으로 한다. Biswal et al.은 전문가가 레이블을 지정한 PSG 녹음의 10,000박 이상의 대규모 데이터 세트를 사용한다. EEG 및 EMG 신호와 호흡 채널의 신호에 대한 종단 간 접근 방식으로 순환 컨볼루션 신경망 (RCNN)을 훈련했다. 라벨링에는 수면 단계와 사지 움직임 및 호흡 사건이 포함되었다. 수면 단계 분류 (non-REM 및 REM 모두), 사지 움직임 감지 및 OSA 중증도 측정에서 좋은 결과를 얻었다. 분류 결과는 가벼운 수면(N1)과 사지 움직임의 존재를 제외하고 인간 전문가의 평가자 간 변동과 유사했다. 더욱이 이 모델은 수면 장애 호흡 중증도를 채점하는 데 가장 많이 사용되는 매개변수 중 하나인 AHI 지수의 채점에서 유망한 결과를 산출했지만, 호흡 장애 유형을 더 세밀하게 구분하는 것은 시도되지 않았다.