[論文レビュー] A Machine Learning Approach to Automatic Classification of Eight Sleep Disorders

Dylan Zhuang, Ivey Rao+1 more|arXiv (Cornell University)|Apr 14, 2022

EEG and Brain-Computer Interfaces被引用数 6

ひとこと要約

本研究では、原始的多導睡眠計測信号（EEG、EMG、ECG、EOG）を用いて8つの睡眠障害を分類するマルチチャネル深層学習モデルを提案し、全障害において95％を超える感度と特異度を達成した。本モデルは特徴量ベースの手法を上回る性能を発揮し、臨床的に関連する周波数パターンを確認できるヒートマップによる解釈可能性を有する。

ABSTRACT

In this research, we attempt to answer the following basic research questions: Is a machine learning model able to classify all types of sleep disorders with high accuracy? Among the different modalities of sleep disorder signals, are some more important than others? Do raw signals improve the performance of a deep learning model when they are used as inputs? Prior research showed that most sleep disorders belong to eight categories. To study the performance of machine learning models in classifying polysomnography recordings into the eight categories of sleep pathologies, we selected the Cyclic Alternating Pattern Sleep Database. We developed a multi-channel Deep Learning model where a set of Convolutional Neural Networks were applied to six channels of raw signals of different modalities, including three channels of EEG signals and one channel each of EMG, ECG , and EOG signals. To compare the performance of the DL model with other models, we designed a model that took spectral features, instead of raw signals, as its inputs. We first studied the "importance" issue of signal modalities using the RF algorithm. We found that ECG contributed most to the important features and EMG second, among the four signal modalities. We then studied the accuracy performance of the proposed machine learning models. We verified that the multi-channel DL-R model, which took raw signals as its inputs, outperformed all other models, with its sensitivity and specificity scores both being above 95 %. This accuracy performance is on a par with those published results which dealt with fewer types of sleep disorders. We adopted two popular heatmap-generating techniques, with which we confirmed that the DL model's superior performance was owing to the CNN network's ability to extract potent features from raw signals.

研究の動機と目的

• 多導睡眠計測（PSG）データを用いて、8つの一般的な睡眠障害を自動分類するための機械学習フレームワークの開発。
• 手作業で作成したスペクトル特徴量と比較して、原始的生理的信号を入力とすることで深層学習モデルの性能が向上するかの評価。
• 異なる信号モodalities（EEG、EMG、ECG、EOG）が睡眠障害の分類に与える相対的な寄与度の特定。
• ヒートマップ可視化技術を用いた深層学習モデルの解釈可能性の評価。
• 従来の分類器（SVM、ランダムフォレスト）と比較して、PSGデータにおける深層学習モデルの性能評価。

提案手法

• マルチチャネル1次元畳み込みニューラルネットワーク（CNN）が、3つのEEG、1つのEMG、1つのECG、1つのEOGの合計6つの原始的信号を処理する。
• 2つの深層学習モデルを訓練：DL-R（原始的信号を入力とする）とDL-F（スペクトル特徴量を入力とする）。
• ランダムフォレストを用いて信号モダリティごとの特徴量の重要度を順位付けし、ECGとEMGが最も判別能が高いことが判明。
• Grad-CAMおよびGrad-CAM++を用いてヒートマップを生成し、モデルの解釈性を向上させ、周波数帯域とピーク周波数を可視化。
• 感度と特異度を指標として、8つの睡眠障害カテゴリ（歯ぎしり（Bru）、不眠症（Ins）、ナルコレプシー（Nar）、周期的下肢運動（Plm）、レム睡眠行動障害（Rbd）、睡眠時低呼吸症候群（Sbd）、夜間側頭葉てんかん（Nfl）、正常（Nrm））における性能を評価。
• 本モデルは、108件の多導睡眠計測記録を含むサイクル的交替パターン（CAP）睡眠データベースを用いて評価された。

実験結果

リサーチクエスチョン

• RQ1 原始的多導睡眠計測信号を用いた深層学習モデルは、8つの主要な睡眠障害を高精度に分類できるか？
• RQ2 どの信号モダリティ（EEG、EMG、ECG、EOG）が分類性能に最も寄与しているか？
• RQ3 手作業で作成したスペクトル特徴量と比較して、原始的信号を入力とすることで深層学習モデルの性能が向上するか？
• RQ4 ヒートマップ可視化技術により、モデルの予測が臨床的観察と整合する形で説明可能か？
• RQ5 原始的信号を入力とする深層学習モデルの性能は、従来の分類器および特徴量ベースの深層学習モデルと比較してどうか？

主な発見

• 原始的信号を入力とするDL-Rモデルは、全8つの睡眠障害において感度と特異度が95％を超えた。他のすべてのモデルを上回った。
• スペクトル特徴量を入力とするDL-Fモデルは、周期的下肢運動（Plm）患者において特に低い感度（62.9％）と特異度（87.1％）を示し、高い偽陽性および偽陰性率を示した。
• ランダムフォレスト分析により、ECG信号が最も重要な特徴量に寄与しており、次にEMGが続くことが判明した。これは、これらのモダリティが優れた判別力を持つことを示している。
• ヒートマップ分析により、DL-Rモデルが臨床的発見と整合する周波数パターンを学習していることが確認された：歯ぎしりおよび夜間側頭葉てんかんでは低周波数活動が顕著に現れた。一方、不眠症は中〜高周波数帯で活性化していた。
• 本モデルは優れた耐性を示し、歯ぎしりでは99.6％の感度と99.6％の特異度、正常睡眠では98.2％の感度と95.9％の特異度を達成した。
• 本研究では、原始的信号で訓練された深層学習モデルが、高い精度と臨床的解釈可能性を達成でき、従来の分類器および特徴量ベースの深層学習モデルを上回ることを確認した。