[Deep Learning] A Deep Learning Model for Automated Sleep Stages Classification Using PSG Signals

A Deep Learning Model for Automated Sleep Stages Classification Using PSG Signals

 

수면 장애는 일상생활의 질에 상당한 영향을 미칠 수 있는 많은 신경 질환의 증상이다. 기존의 방법은 시간이 많이 걸리고 실험실 환경에서 얻은 수면다원검사 (PSG) 신호의 수동 스코어링을 수반한다. 그러나 수면 단계의 자동 모니터링은 신경학적 장애를 정확하게 발견하는 데 도움을 줄 수 있다. 본 연구에서는 원시 PSG 신호를 이용한 유연한 딥러닝 모델을 제안한다. 수면 단계의 분류를 위해 뇌전도 (EEG) 및 EOG 신호를 사용하여 1차원 컨볼루션 신경망 (1D-CNN)이 개발되었다. 시스템의 성능은 두 개의 공개 데이터베이스 (sleep-edf 및 sleep-edfx)를 사용하여 평가된다. 개발된 모델은 sleep-edf 데이터베이스를 사용하여 2~6개의 수면 클래스에 대해 각각 98.06%, 94.64%, 92.36%, 91.22%, 91.00%의 높은 정확도를 보였다. 또한, 제안된 모델은 sleep-edfx 데이터 세트를 사용하여 동일한 2~6개의 수면 클래스에 대해 각각 97.62%, 94.34%, 92.33%, 90.98%, 89.54%의 가장 높은 정확도를 얻었다. 개발된 딥러닝 모델은 임상 사용이 가능하며, 큰 PSG 데이터로 테스트할 수 있다.

 

수면다원검사 (PSG) 신호 및 수면-edf 데이터베이스에서 얻은 최면 기록 기록: (a) 기상 단계, (b) 빠른 안구 운동 (REM) 단계, (c) 22:20 ~ 06:10 사이 sc40020 기록에 대한 최면 기록.

 

이 연구에서 가장 일반적인 두 가지 공공 수면 데이터 세트는 제안된 심층 CNN 모델을 평가하는 데 사용되었다. 그 중 첫 번째는 8개의 건강한 남성과 여성의 PSG 기록을 포함하는 sleep-edf 데이터 세트이다. 이러한 PSG 기록에는 수평 EOG 신호 (Fpz–Cz)와 아멘탈 턱 EMG 신호 (Pz–Oz)의 두 개의 EEG 채널이 포함된다. 이러한 신호는 100 Hz의 샘플링 속도로 얻었으며, 각 30-s epoch은 R&K 매뉴얼에 기초하여 채점되었다. 데이터 세트에는 PSG에 따라 각 피험자의 수면 패턴에 대한 주석이 포함된 최면도 파일도 있다. 이러한 패턴은 수면 단계에 대해 W, S1, S2, S3, S4, REM, M 및 ? (점수가 매겨지지 않음)로 레이블이 지정됩니다. 두 번째 데이터 세트인 sleep-edfx[51]는 sleep-edf 데이터베이스의 확장 버전이다. sleep-edfx 데이터 세트에는 61개 피험자의 PSG 기록이 포함되어 있다. 이 작업에서 *.edf 레코드는 두 개의 다른 그룹으로 나뉜다. Sc* 및 St*. Sc* 기록에는 대상자의 24시간 루틴에 대한 PSG 기록이 포함되며 St* 기록에는 미니어처 원격 측정 시스템으로 수집된 병원의 1박 데이터가 포함된다. 각 데이터 세트에는 6개의 수면 단계에 대한 점수가 매겨진 기록이 포함되어 있다. 데이터에 대해 필터링이 수행되지 않았음을 알 수 있으며, 이는 보고된 다른 연구들과 비교했을 때 상당한 차이다. 이 데이터 세트를 사용하는 나머지 연구보다 사용된 레코드 수가 더 많도록 모호한 기록만 필터링된다.

 

수면 단계 분류를 위해 제안된 1D-CNN (1차원 합성곱 신경망) 모델의 블록 표현.

 

3000개의 샘플이 있는 사전 처리된 PSG 신호 세그먼트가 입력으로 사용된다. 이러한 PSG 신호는 64 × 5 필터와 3개의 보폭 비율로 모델의 첫 번째 레이어에서 컨볼루션되어 64 × 999 크기의 피처 맵을 생성한다. 모델의 두 번째 레이어는 128 × 5 필터가 있는 또 다른 컨볼루션 레이어이다. 이 계층은 이전 계층의 출력을 사용하여 128 × 997 크기의 새로운 피쳐 맵을 생성합니다. MaxPool 계층에서 두 출력 벡터의 두 단위 영역의 최대값은 단일 값으로 줄어든다. 따라서, 입력 피쳐 맵은 128 × 498 차원으로 축소된다. 모델의 연속적인 레이어에서 이러한 프로세스는 비슷한 방식으로 반복되지만 크기가 다른 필터를 사용한다. Dropout 레이어는 과적합 문제를 방지하기 위해 모델에 배치된다. Flatten 레이어에서 입력 벡터의 치수는 Dense 레이어에 대한 적절한 치수로 변환된다. 마지막으로 Softmax 레이어에서 입력 신호는 출력 신호에 매핑된다. 따라서 이 계층의 단위 수는 클래스 수 (nb_class)와 동일하다.

 

실험

 

데이터베이스의 원시 PSG 신호는 30-s 세그먼트로 분할되었다. 따라서, 각 최면도 값에 대해 표본이 3000개인 PSG 세그먼트가 사용되었다. 실험 연구에서, 결과는 두 수면 데이터베이스 모두에서 취해진 다른 PSG 신호를 사용하여 평가되었다. 단일 채널 EOG, 단일 채널 EEG 및 단일 채널 EOG + 단일 채널 EEG와 같은 PSG 신호의 조합을 사용하여 데이터베이스를 분석했다. 단일 채널 EOG 채널 신호는 기록에 하나의 수평 EOG 신호를 포함한다. 단일 EEG는 각 레코드에 Fpz-Cz 채널 신호로 구성된다. 단일 채널 EOG + 단일 채널 EEG의 경우, 각 기록마다 하나의 수평 EOG 및 Fpz-Cz EEG 신호가 사용되었다. 이러한 신호가 CNN 모델에 입력으로 주어졌을 때, 모호한 점수 ('X', '?' 등)에 대해 샘플 제거가 수행되었다. 또한, 특정 진폭 범위에서 노이즈가 있는 신호를 제거하는 등의 필터링 작업이 더 이상 수행되지 않았다. 신호에 대한 전처리 작업에는 0부터 1까지의 범위에 대한 신호의 표준화 및 정규화가 포함된다. 전체 데이터 세트는 교육, 검증 및 테스트를 위해 각각 70%, 15% 및 15%의 세 부분으로 나뉘었다. 모델의 훈련 단계에서 계층 매개 변수를 결정하기 위해 훈련 및 검증 데이터 세트가 사용되었다. 테스트 데이터는 모델이 이전에 사용하거나 보지 못한 새로운 데이터 세트였습니다. 모델의 테스트 성능은 훈련된 모델에 대해 수행되었다.

 

실험 단계 그림

 

딥러닝 구현은 Python 프로그래밍 언어를 사용하여 실현되었다. 모델을 만들고 실험 결과를 수집하는 데 Keras가 사용되었고, 백엔드로 TensorFlow가 사용되었다. 테스트를 위해 인텔 코어 i7-7700HQ 2.81GHz CPU, 16GB RAM, NVIDIA 지포스 GTX 1070 8GB 그래픽 카드를 탑재한 컴퓨터가 사용되었다. 다섯 가지 다른 수면 수업에 대한 실험 결과를 얻었다. 이러한 등급의 정의는 표에 제시되어 있다.

 

Sleep Classes (C)	Sleep Stages
6	Wake―S1―S2―S3―S4―REM
5	Wake―S1―S2―SWS{S3 + S4}―REM
4	Wake―{S1 + S2}―SWS{S3 + S4}―REM
3	Wake―{S1 + S2 + S3 + S4}―REM
2	Wake―Sleep {S1 + S2 + S3 + S4 + REM}

sleep-edf 데이터 세트에 대한 단일 EOG 신호가 있는 제안된 1D-CNN 모델의 성능 그래프: (a) 2클래스 모델, (b) 3클래스 모델, (c) 4클래스 모델, (d) 5클래스 모델, (e) 6클래스 모델 및 (f) 2-6클래스 모델에 대한 검증 정확도.

 

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6406978/

A Deep Learning Model for Automated Sleep Stages Classification Using PSG Signals