Abstract
많은 연구 및 임상 상황에서는 실험실 외부에서 인간의 수면 데이터를 얻을 수 있는 저렴하고 방해가 되지 않는 방법이 필요하다. Mullaney 외 연구진은 손목에 장착된 움직임 감지기에서 얻은 데이터를 수동으로 채점하여 수면과 각성 상태를 높은 정확도로 구별할 수 있음을 보여주었다. 그러나 수동 채점과 관련된 힘든 노동은 일상적인 사용을 위한 이 방법의 실용성을 감소시킨다. Webster 외 연구진은 수면 및 각성을 위한 손목 활동 데이터의 점수를 매기는 자동 방법을 개발했다. 그들이 개발한 채점 알고리즘은 실험 손목 활동 그래프에만 최적화되어 있어서 그 방법이 현재 상업적으로 이용 가능한 활동 그래프 도구로 일반화될 수 있을지 불확실하다.
이 연구의 목표는 상용 손목 활동 그래프로 얻은 손목 활동 데이터를 사용하여 정상 및 수면 장애 환자의 다양한 수면과 각성을 구별할 수 있는 자동 채점 알고리즘 세트를 개발하여 Webster의 작업을 복제하고 확장하는 것이었다. 41명의 피험자를 대상으로 야간 수면다원검사 중 손목 활동을 측정하고 그 결과를 분 단위로 분석했다. 활동 점수 알고리즘은 여러 데이터 수집 에포크 길이에 대해 개발되었다. 이 알고리즘들은 점수를 받은 약 88%의 시간에 수면과 각성을 정확하게 구분했다.
Cole-Kripke Algorithm
Cole-Kripke 알고리즘은 1991년 개발되었으며 그 이후 수면 연구에서 널리 사용되는 알고리즘이 되었다. 규칙은 연속적인 활동 및 비활동 시간(분)과 시간을 기준으로 한다. 이 알고리즘은 먼저 손목 활동 데이터를 필터링하여 고주파 노이즈를 제거함으로써 작동한다. 그런 다음 필터링된 데이터를 분석하여 각 분의 활동 수를 결정한다. 그리고 활동 카운트는 분을 활성 상태로 간주하고 분을 비활성 상태로 간주하는 임계값을 설정하여 이진 형식으로 변환된다. 분계점 값은 각 개인에 대한 활동 카운트의 평균 및 표준 편차를 기반으로 계산된다. 평균 활동 카운트는 각 분의 활동 카운트에서 차감되며, 결과 값은 표준 편차로 나뉜다. 임계값은 평균을 초과하는 특정 표준 편차 수로 설정되며, 이는 연구의 요구 사항에 따라 달라질 수 있다. 데이터가 이진 형식으로 변환되면 알고리즘은 일련의 규칙을 적용하여 수면 및 각성 기간을 식별합니다.
|
각 방법에 의해 도출된 점수는 PSG sleep / wake 점수 (sleep의 경우 0, wake의 경우 2)를 종속 변수로 하여 선형 회귀 모델에 입력되었다. 독립 변수 (모두 7개)는 동일한 분에 대한 활동 점수로, 이전 4분과 다음 2분에 대한 활동 점수이다. 이러한 독립 변수는 알고리즘의 형태를 Webster 등의 형태와 일치시키기 위해 선택되었다. 회귀 분석은 7개 활동 점수의 가중 합계에 기초하여 각 분에 대한 수면/수면 변수의 추정 값을 산출했다. 각 추정치 x는 x < 1이면 0 (수면), x ≥ 1이면 2 (각성)으로 기록되었다. 이는 손목 활동으로부터 분 단위 수면/수면 예측을 산출했다. 그런 다음 예측된 수면/깨기를 각 분의 실제 수면 / 각성과 비교하여 정확한 예측과 부정확한 예측의 비율을 결정했다.
첫 번째 단계는 1 / 60Hz까지 신호 다운샘플링을 통해 수행되며, ZCM (Zero-crossing mode)에 수집된 액티그래피 신호의 "1분 에포크로 붕괴"라고 설명한다. 두 번째 단계는 다음 방정식으로 정의된다.
D[𝑛]는 주어진 epoch 𝑛에 대해 계산된 알고리즘의 두 번째 단계의 출력 값이다. 계수 Wi는 Epoch X[𝑛]의 리샘플링된 신호 값을 곱한 것이며, P는 정규화 곱셈 상수이다. 알고리즘의 세 번째 단계는 위 식에서 얻은 벡터에 대한 재검색 규칙을 사용한다.
밤새 수집된 액티그래피 데이터를 기반으로 수면 각성 분류를 수행하는 알고리즘을 얻는 것이었다. 계수 Wi를 결정하는 데 필요한 다양한 데이터를 제공하기 위해, 정신적 또는 수면 장애가 있는 참가자 그룹과 건강한 참가자 그룹이 수면다원검사 (PSG) 및 액티그래피의 야간 기록에 참여하도록 선택되었다. 계수 Wi는 이 알고리즘에 의해 처리된 활동도 신호를 PSG: D[𝑛] > 1은 wake를 의미하며, 그렇지 않으면 epoch는 sleep으로 분류된다.
이 제약 조건으로 계수는 점수가 매겨진 PSG 기록에 의해 제공되는 분류와 가장 높은 일치를 유지하기 위해 적합하다. 또한, 입력 신호와 알고리즘에 대한 두 가지 다른 가정이 있다. 즉, 액티그래프의 샘플링 주파수와 데이터를 다운샘플링하는 방법 (에포크에서 평균 또는 최대값을 취함, 각 에포크에서 다른 선택 항목을 사용함)이다. 또한, 위의 매개변수 중 하나를 변경한 후에는 새로운 계수 집합을 도출해야 함을 강조한다.
Rescoring
최적의 알고리즘은 실제 기상을 수면으로 오득점하는 것은 수면을 기상으로 오득점하는 것보다 3.5배나 되었다. 이것은 부분적으로 잠에 빠진 피실험자들이 PSG가 수면 첫 번째 단계의 시작을 보여주기 몇 분 전에 움직임을 멈추기 때문이다. 이 문제를 완화하기 위해, 수면 / 각성 식별의 정확도를 극대화하기 위해 Webster 외 연구진이 개발한 5가지 "재보정 규칙"을 테스트했다. 이 규칙들은 다음과 같다.
| (a) 적어도 4분 동안 기상으로 점수를 매긴 후, 다음 1분은 수면을 기상으로 채점 (b) 적어도 10분 동안 기상으로 점수를 매긴 후, 다음 3분은 수면을 기상으로 채점 (c) 적어도 15분 동안 기상으로 점수를 매긴 후, 다음 4분은 수면을 기상으로 채점 (d) 적어도 10분 (전후로) 기상으로 채점된 6분 이하의 수면은 기상으로 채점 (e) 적어도 20분 (전후로) 기상으로 채점된 10분 이하의 수면은 기상으로 채점 |
훈련 샘플에서 이러한 각 규칙을 개별적으로 그리고 가능한 모든 조합으로 테스트했다. 각각의 규칙은 스스로 적용되어 정확한 수면 / 각성 식별 속도를 어느 정도 높였다. (a)에서 (e)까지의 규칙을 결합하여 적용한 결과, 정확도가 87.05%에서 87.93%로 증가했으며, "거짓 수면"과 "거짓 각성"의 비율이 3.5:1 이상에서 2.5:1 미만으로 감소했다. 규칙 (a) ~ (d)만 적용했을 때 동일한 결과가 얻어졌다. 규칙(e) 기준을 충족하는 소수의 (n = 3) 에포크도 규칙(d) 기준을 충족했기 때문에 규칙(e)을 추가해도 효과가 없다. 규칙(e)이 적용될 수 있었던 모든 에포크는 올바르게 재채점되었을 것이다.
https://pubmed.ncbi.nlm.nih.gov/1455130/
Automatic sleep/wake identification from wrist activity - PubMed
The purpose of this study was to develop and validate automatic scoring methods to distinguish sleep from wakefulness based on wrist activity. Forty-one subjects (18 normals and 23 with sleep or psychiatric disorders) wore a wrist actigraph during overnigh
pubmed.ncbi.nlm.nih.gov
