중추성 수면 무호흡증 이벤트의 기계 학습 기반 자동 감지

중추성 수면 무호흡증 이벤트의 기계 학습 기반 자동 감지

 

수면다원검사는 수면무호흡증을 진단하기 위한 표준 검사이다. 그러나 이 접근법은 명백하고 시간이 오래 걸리며 수면 무호흡 진단을 필요로 하는 환자에게는 접근이 제한된다. 최근 몇 년 동안 PSG의 한계를 피하는 대체 장치나 접근 방식을 찾는 시도가 많이 있어 왔으며, 압력 감지 매트 (PSM)는 중추 수면 무호흡증 (CSA)을 감지할 수 있고 PSG의 잠재적 대안이 될 수 있는 것으로 입증되었다. 현재 연구에서는 고급 기계 학습 접근 방식을 실용적인 비간섭 홈 모니터링 장치 (PSM)와 결합하여 야간 및 무인 상태로 수집된 데이터에서 CSA 이벤트를 감지한다. CSA 이벤트의 자동 탐지를 위해 시간 컨볼루션 네트워크 (TCN)와 양방향 장기 단기 메모리 (BiLSTM) 네트워크의 두 가지 딥러닝 방법이 구현된다.  러닝 모델은 고전적인 머신 러닝 접근 방식 (선형 서포트 벡터 머신, SVM)과 간단한 임계값 기반 알고리듬과 비교된다. 각 방법의 특성을 고려하여, 우리는 방법을 최적화하고 불균형 데이터 세트에서 이상 감지로 CSA 감지를 수행하기 위해 재샘플링 및 가중 비용 함수를 포함한 전략을 선택한다. 9명의 노인 환자의 7일 데이터가 포함된 데이터베이스에서 모든 모델의 성능을 평가한다. 결과 63일부터 7명의 환자 (49일)의 데이터는 하이퍼 파라미터 최적화 교육에, 2명의 환자 (14일)의 데이터는 테스트에 할애된다. 실험 결과는 가장 성능이 좋은 모델이 BiLSTM 네트워크 훈련을 통해 95.1%의 정확도를 달성한다는 것을 보여준다. 전반적으로, 구현된 딥러닝 방법은 기존의 분류 접근 방식 (SVM)과 간단한 임계값 기반 방법보다 더 나은 성능을 달성하고, CSA의 실질적인 비간섭 모니터링을 위해 PSM을 사용할 수 있는 좋은 잠재력을 보여준다.

 

수면 무호흡증 (SA)은 잘 알려진 수면 장애이다. SA 이벤트의 세 가지 주요 유형은 중추성 수면 무호흡증 (CSA), 폐쇄성 수면 무호흡증 (OSA) 및 이전 두 가지의 조합인 혼합성 수면 무호흡증 (MSA)이다 (즉, CSA에 의해 시작된 후 OSA 이벤트 발생). SA 이벤트를 감지하려면 환자의 수면 중에 수집된 생리학적 데이터를 분석해야 한다.

 

SA 진단을 ​​위한 기존의 데이터 수집 방식은 수면다원검사 (PSG)로 시간과 비용이 많이 든다. PSG를 대체하기 위해 더 적은 수의 센서를 사용하는 여러 기술이 제안되었다. PSG와 달리 이러한 접근 방식은 대부분 기류, 흉부 신호, 복부 신호, 또는 산소 포화도와 같은 생리적 신호 측정에 기반한다. 그러나 전극으로 인한 불편함을 유발하거나 게이지와 케이블로 인해 제한된 움직임을 강요하거나 시설 환경이나 가정 모니터링에서 "모니터링"되기 때문에 잠재적인 심리적 결과에 영향을 받을 수 있다.

 

방법

 

위 기술의 한계를 해결하고 SA 진단을 ​​촉진하고 향상시키기 위해 최근 몇 년 동안 환경 센서가 고려되었다. 일반적으로 사용되는 센서와 달리 환자의 몸에 직접 부착되지 않고 수면 환경에 설치된다. 이러한 장치는 눈에 거슬리지 않으며 개입 없이 종단적으로 환자를 모니터링하는 데 적합하다. 이러한 대체 센서의 예로는 폐로 순환하는 공기의 양을 측정하기 위한 디지털 비디오 카메라, 신체 움직임과 호흡으로 인한 생체 움직임을 측정하기 위한 비접촉 무선 주파수 센서, 호흡 운동 측정용 매트 (PSM), 압력 감지가 있다. 이 중 PSM 센싱은 몸의 위치에 관계없이 몸의 움직임과 호흡 신호를 포착할 수 있고 환자의 사생활을 침해하지 않는 장점이 있다. 이 장치는 건강 모니터링을 위한 유망한 데이터 수집 소스임이 입증되었으며, 진행 중인 질병을 관리하고 예방 치료를 촉진하는 데 도움이 된다. 따라서, PSM 데이터에서 정보를 추출하기 위한 접근 방식을 최적화하는 것이 매우 중요하다.

 

수집된 데이터를 처리하는 접근 방식은 매우 유사하다. 원시 데이터는 SA 이벤트 감지기에 공급되기 전에 변환되어야 한다. 대부분의 경우 시스템은 전처리, 전문가 주도 특징 추출 및 분류의 세 가지 연속 단계로 구성된다. 그러나 기존 분류에서 추출할 특징의 설계 또는 선택에는 전문 지식이 필요하다. 이 프로세스는 시간이 많이 걸리고 도메인에 따라 다르다. 수동으로 설계된 특징 추출 알고리즘은 데이터에서 가장 관련성이 높은 정보를 추출하지 못할 수 있다. 또한, 기존 기계 학습 알고리즘에 제공되는 정보의 양은 제한되어야 한다. 이러한 알고리즘은 고차원 입력을 처리할 때 성능이 저하되기 때문이다. 따라서, 제한된 정보로 인해 결정 품질이 저하될 수 있다. 결과적으로 작업별 기능의 자동화된 설계 또는 선택은 SA 감지와 같은 복잡한 실제 문제를 해결하는 데 가치가 있다.

 

딥러닝 접근 방식은 "전문가 주도" 피쳐 엔지니어링에서 "데이터 기반" 피쳐 구성으로 데이터 모델링을 혁신했다. 컴퓨터 비전, 자연어 처리, 음성 인식 및 의료와 같은 많은 데이터 분석 응용 프로그램에서 선호되어 왔다. 이전에 SA 탐지에 사용된 DL 접근 방식에는 LSTM (장기 기억 장치), CNN (컨볼루션 신경망) 모델 및 사전 훈련된 CNN 모델이 있다. 유망한 결과에도 불구하고 이러한 모든 연구는 앞서 언급한 제한 사항 (눈에 거슬리는, 불편한 등)이 있는 장치 및 센서를 통해 수집된 데이터를 사용했다.

 

이러한 문제를 해결하기 위해 이 작업에서는 눈에 거슬리지 않는 PSM을 사용하여 데이터를 수집하고 수집된 데이터를 처리하기 위한 최적화된 접근 방식을 설계한다. 따라서 매트리스 아래에 배치된 PSM은 앞서 언급한 단점을 제거한다. 분류 작업에 대한 올바른 접근 방식을 선택하려면 필요한 데이터의 속성과 양, 모델 선택과 같은 여러 요소를 고려해야 한다. 따라서, 이 작업에서는 지원 벡터 머신 (전통적인 머신 러닝 모델의 대표 )과 DL 방법 간의 포괄적인 비교를 수행한다. 특히,  PSM 신호에서 자동 CSA 검출기를 설계하기 위해 TCN (temporal convolutional network) 및 양방향 LSTM (BiLSTM) 네트워크를 선택한다. 전자는 CNN 모델을 대표하고 후자는 RNN (Recurrent Neural Network) 모델을 대표한다. 두 방법 모두 PSM 신호의 시간적 특성으로 인해 사용된다. RNN 기반 구조로 인해 BiLSTM 모델은 수면 중에 연속적이고 반복적으로 발생하는 CSA 이벤트를 감지하는 데 사용된다. BiLSTM과 마찬가지로 TCN은 sequence-to-sequence 또는 sequence-to-one 작업을 모델링하는 데 사용할 수 있다. 또한 비교를 위해 기본 임계값 기반 방법을 채택합니한 전반적으로 목표는 PSM 신호에서 CSA를 자동으로 감지하기 위한 최상의 성능 방법을 찾는 것이다.

 

DL 모델은 지도 방식의 직접적인 기능 학습을 통해 데이터 자체에서 주요 기능 및 상호 작용의 표현을 학습할 수 있다. DL 접근 방식을 적용하면 CSA 감지의 핵심인 PSM 신호의 정보 잠금 해제를 허용할 수 있다고 가정한다. 이에 비해 SVM 분류기는 제한된 수의 변수를 선택하여 PSM 데이터에서 CSA 감지를 처리하는 데 사용되며, 이는 눈에 띄는 양의 위양성 예측에 대한 이유일 수 있다. 기본 임계값 기반 방법에서는 추출된 신호 정보가 하나의 변수로만 요약되기 때문에 이러한 단점이 더욱 문제가 된다.

 

1) PSM 데이터 수집 접근 방식이 환자에게 편리하고 눈에 거슬리지 않는다.  2) 두 개의 선택된 딥러닝 모델은 시간적 이벤트별 평가를 수행하기 위해 PSM 데이터의 주요 기능을 캡처할 수 있으므로 CSA 환자의 중증도를 나타낼 수 있다. 3) 데이터 세트의 불균형 문제를 해결하기 위해 리샘플링 접근법과 가중 손실 방법이 구현된다.

 

PSM (Pressure-Sensitive Mats)

 

 

사용된 PSM은 Tactex Control Inc.에서 제조했다. 각 센서 어레이 세트는 72개의 광섬유 압력 센서로 구성ehls다. 센서는 10cm 간격으로 균일하게 배치된다. 위와 같이, PSM은 매트리스 아래에 놓인 환자의 머리에서 엉덩이까지의 영역을 덮는다.

 

TCN

 

TCN 잔여 블록

아키텍처의 컨볼루션은 인과적이며, 시간에 출력이 이전 레이어에서 더 일찍 T 시간의 요소로만 컨볼루션된다.따라서, 미래에서 과거로의 정보 "유출"이 없다. 아키텍처는 RNN과 마찬가지로 입력과 동일한 길이의 출력을 생성한다. 각 은닉층의 길이가 입력층과 동일한 1D 완전 컨볼루션 네트워크 아키텍처를 채택한다.

탐지 시스템의 순서도. 이벤트 감지기의 경우 녹색 및 자홍색 선은 각각 CSA 이벤트의 시작과 끝

접근 방식의 성능

 

https://ieeexplore.ieee.org/abstract/document/9203807

Machine Learning-Based Automatic Detection of Central Sleep Apnea Events From a Pressure Sensitive Mat