자동 수면 채점 : 다중 모드 시계열 딥러닝 아키텍처

자동 수면 채점 : 다중 모드 시계열 딥러닝 아키텍처

 

수면 채점은 필수적이지만 시간이 많이 소요되는 프로세스이므로 자동 수면 채점은 수면 연구에 대한 충족되지 않은 증가하는 요구 사항을 해결하는 데 중요하고 시급하다. 이 문서는 원시 수면다원검사를 사용하여 수면 점수를 자동화하는 다목적 딥러닝 아키텍처를 개발하는 것을 목표로 한다.

 

방법은 선형 함수를 채택하여 다양한 입력 수를 처리함으로써 모델 적용을 확장한다. 2차원 컨볼루션 신경망은 채널별 기능을 재보정하기 위한 "squeeze and excitation" 블록인 다중 모드 수면다원검사 신호로부터 기능을 학습하는 데 사용되며, 장거리 컨텍스트 관계를 활용하기 위한 장기 기억 모듈과 함께 사용된다. 학습된 기능은 최종적으로 결정 계층에 제공되어 수면 단계에 대한 예측을 생성한다.

 

수면은 인간 수명의 약 3분의 1을 차지하는 중요한 생리학적 과정이다. 적절하고 고품질의 수면은 신체 회복, 기억 처리 및 신진대사에 필수적이다. 요즘 현대 사회의 바쁜 생활 방식으로 인해 사람들 사이에서 수면 문제에 대한 불만이 급격히 증가하고 있다. 수면의 질을 모니터링하고 수면 문제를 진단하는 효과적인 방법은 야간 수면다원검사 (PSG)이다. PSG 테스트는 뇌파도 (EEG), 근전도 (EOG), 근전도 (EMG), 심전도 (ECG), 기류 및 호흡 노력을 포함한 수십 개의 수면 신호를 동시에 기록한다. 이러한 기록된 신호는 일반적으로 R&K 규칙 및 최근 업데이트된 미국 수면 의학 아카데미 (AASM) 표준에 따라 수면 전문가에 의해 분석된다.

 

PSG 신호의 진폭 및 주파수 특성에 따라 R&K 규칙은 수면을 비급속 안구 운동 (NREM) 단계 1, 2, 3, 4와 빠른 안구 운동 단계 (REM) 5단계로 나눈다. 가장 최근의 AASM 표준은 EEG 신호에서 만연한 저주파 진동으로 인해 NREM 단계 3과 4를 N3으로 병합한다. 수면 점수라고 하는 각 수면 세그먼트에 수면 단계를 지정하는 것은 모든 수면 연구에서 매우 중요한 단계이다. 그러나 수동 수면 점수는 노동 집약적이고 주관적이다. 이전 연구에 따르면 8시간 기록의 주석에는 약 2-4시간이 필요하며 수면 점수의 점수간 신뢰도는 약 0.8이다. 따라서 자동 채점은 비용 효율성과 높은 정밀도로 인해 유망한 접근 방식으로 간주된다.

 

자동 수면 채점 분야에서는 지금까지 수많은 시도가 있었다. 기존의 기계 학습을 기반으로 하는 점수 매기기 방법이 널리 사용되었으며 일반적으로 특징 추출과 분류라는 두 가지 주요 구성 요소가 포함되었다. 통계적 방법, 푸리에 변환, 웨이블릿 분석 및 Hilbert 변환의 기술은 여러 측면에서 수면 신호를 설명하는 역할을 했다. 수면 단계에 대한 평가를 얻기 위해 이러한 추출된 특징은 KNN 분류기, Naive Bayes, 인공 신경망, 서포트 벡터 머신, 랜덤 포레스트와 같은 분류기에 제공되었다. 연구의 정확도는 0.8에서 0.9 사이였으며 사용된 기능의 유효성에 크게 의존했다.

 

최근에는 기존 머신 러닝 방법에서 흔히 볼 수 있는 명시적 특징 추출을 피하고 특히 빅 데이터 접근 방식에 적합했기 때문에 딥러닝 기반 접근 방식이 등장했다. EEG 시계열을 사용하여 수면 채점을 자동화하기 위해 CNN (Convolutional Neural Network)을 제안했으며, 이는 2-6단계의 수면 단계 분류에서 경쟁력 있는 성능을 달성했다. 원시 신호 입력 대신에 단시간 푸리에 변환 또는 웨이블릿 변환에 의해 생성된 시간-주파수 이미지도 여러 연구에서 조사되었다. 심지어 이 두 가지 다른 입력 표현을 비교하고 스펙트로그램을 입력으로 사용하는 네트워크 성능이 입력으로 시계열을 사용하는 것보다 우수하다는 결론을 내렸다. CNN은 컴퓨터 비전 및 이미지 인식과 같은 일부 분야에서 가장 확실한 성능을 제공했지만 하이퍼 매개변수 선택, 기능 중복성, 기울기 소실과 같은 몇 가지 문제를 여전히 겪었다. 딥 컨볼루션 네트워크의 구성에 도전했다.

 

순환 신경망 (RNN)은 입력의 시간적 상관 관계를 캡처하는 우수한 성능 때문에 딥러닝 네트워크에서도 중요했다. 가장 인기 있는 것 중 하나는 전통적인 RNN에서 그라디언트 소실 및 장기 의존성 문제를 해결한 LSTM (장기 기억 네트워크)이다. LSTM 모듈은 자연어 처리 응용 분야에서 큰 발전을 이루었다. 자동 수면 채점 분야에서 일부 연구에 따르면 LSTM 모듈의 적용이 세그먼트 간 시간적 맥락을 포착하여 채점 정확도를 향상시키는 데 도움이 된 것으로 나타났다. 그러나 LSTM 모듈은 많은 매개변수를 계산해야 하고 과적합되는 경향이 있었다. 실제 적용에서 LSTM 모듈은 일반적으로 CNN 모듈 또는 기존의 특징 추출 기술에 의존하여 입력을 압축하여 계산 비용을 절감한다.

 

또한, 딥러닝에 기반한 연구에서는 단일 입력에서 다중 출력 방식 및 sequence-to-sequence 모델 과 같이 수동 수면 채점에서 수면 전문가가 수행하는 방식을 모방하는 몇 가지 새로운 분류 방식을 도입했다. 이러한 새로운 방식은 기존의 기계 학습 패러다임에서는 불가능했던 연속 세그먼트의 종속성을 명시적으로 활용했다. 그들의 실험 결과에 따르면 세그먼트 간의 장기적인 의존성은 상당한 성능 향상으로 이어졌다. 요컨대, 딥러닝에 대한 시도는 흥미로운 결과를 낳았지만 모델을 처음부터 훈련하려면 엄청난 양의 훈련 데이터와 계산 리소스가 필요했다.

 

그러나 자동 수면 채점에서 기존의 기계 학습 방법의 경우 분류 성능은 추출된 특성에 크게 의존한다. 정교한 기능은 다른 데이터 세트에서 성능이 저하될 수 있으므로 모델 일반화 가능성이 제한된다. 딥러닝을 기반으로 하는 자동 수면 채점 방법의 경우 대부분의 모델은 특정 데이터 세트 및 특정 입력 신호용으로 설계되었으며, 이는 해당 모델이 다른 작업에서 사용될 때 작업별 수정이 필요하다. 게다가, 그 수정은 특히 불충분한 훈련 데이터로 인해 소그룹에 초점을 맞춘 수면 연구의 경우 어렵고 심지어 비효율적이다. 실제 적용에서 모니터 장치와 실험 목표의 차이는 채널 불일치를 유발하여 전이 학습 적용에 어려움을 겪는다. 위의 문제를 해결하기 위해 이 작업은 모델 아키텍처 또는 하이퍼파라미터에 대한 작업별 수정이 필요하지 않은 단순하지만 다양한 딥러닝 아키텍처를 제안한다. 제안된 아키텍처는 매우 적은 수의 레이어를 사용하므로 다른 딥러닝 접근 방식에 비해 계산 비용이 저렴하다.

 

모델 아키텍처

 

아키텍처 개요

 

 

딥러닝 아키텍처는 EEG 신호의 입력을 여러 PSG 신호의 융합으로 확장한다. 이것은는 수면 전문가가 수동 수면 점수를 수행하는 방식을 모방한다. EEG 신호의 특성 외에도 수면 전문가는 30초 PSG 세그먼트에 레이블을 지정할 때 안구 운동과 근육 활동을 참조로 확인한다. 예를 들어, R 단계는 낮은 진폭 및 혼합 주파수 EEG 활동, 빠른 안구 운동 및 가장 낮은 EMG 활동 수준을 특징으로 한다. N3 단계는 진폭이 큰 느린 파동과 드문 안구 운동으로 표시된다. 최근 연구에 따르면 심장의 전기생리학적 활동을 분석하면 각성 상태에서 수면 상태로의 전환을 추적할 수 있다. 따라서, 여러 PSG 신호의 공동 처리가 정확한 스코어링 성능에 도움이 된다고 믿을 만한 모든 이유가 있다.

 

그림은 모델 구조를 직관적으로 포착할 수 있는 방법을 제공하기 위해 제안된 모델의 개략도를 보여준다. 자세한 모델 매개변수 및 계층 출력은 표에 나와 있다. 그림에서 볼 수 있듯이 제안된 아키텍처는 원시 PSG 신호에서 공간적 및 시간적 특징을 추출하기 위해 여러 CNN 모듈과 하나의 LSTM 모듈로 구성된다. 입력 데이터의 크기는 T×C×1, T는 시점의 수이고 C는 입력 채널의 수이다. 채택된 신호의 샘플링 속도가 125Hz로 설정되고 각 샘플이 30초간 지속된다. 제안된 아키텍처는 서로 다른 데이터 세트에서 다양할 수 있는 입력 채널 C의 수를 제한하지 않는다.

 

아키텍처 세부 사항

 

https://www.sciencedirect.com/science/article/pii/S0165027020303940

Automatic sleep scoring: A deep learning architecture for multi-modality time series