[論文レビュー] Actigraphy-based Sleep/Wake Pattern Detection using Convolutional Neural Networks

Lena Granovsky, Gabi Shalev+3 more|arXiv (Cornell University)|Feb 22, 2018

EEG and Brain-Computer Interfaces参考文献 23被引用数 10

ひとこと要約

本論文では、アクチグラフィー・データから拡張された睡眠/覚醒状態（「眠りに落ちる」および「昼寝」を含む）を検出するための2つのディーブラーニング・モデル—逐次的でマルチタスク学習に基づく畳み込みニューラルネットワーク（CNN）—を提案する。これらのモデルは、臨床データにおける群発頭痛発作と関連する睡眠パターンの検出を向上させるために、微細な状態を高精度に特定する。

ABSTRACT

Common medical conditions are often associated with sleep abnormalities. Patients with medical disorders often suffer from poor sleep quality compared to healthy individuals, which in turn may worsen the symptoms of the disorder. Accurate detection of sleep/wake patterns is important in developing personalized digital markers, which can be used for objective measurements and efficient disease management. Big Data technologies and advanced analytics methods hold the promise to revolutionize clinical research processes, enabling the effective blending of digital data into clinical trials. Actigraphy, a non-invasive activity monitoring method is heavily used to detect and evaluate activities and movement disorders, and assess sleep/wake behavior. In order to study the connection between sleep/wake patterns and a cluster headache disorder, activity data was collected using a wearable device in the course of a clinical trial. This study presents two novel modeling schemes that utilize Deep Convolutional Neural Networks (CNN) to identify sleep/wake states. The proposed methods are a sequential CNN, reminiscent of the bi-directional CNN for slot filling, and a Multi-Task Learning (MTL) based model. Furthermore, we expand standard "Sleep" and "Wake" activity states space by adding the "Falling asleep" and "Siesta" states. We show that the proposed methods provide promising results in accurate detection of the expanded sleep/wake states. Finally, we explore the relations between the detected sleep/wake patterns and onset of cluster headache attacks, and present preliminary observations.

研究の動機と目的

• アクチグラフィー・データからの睡眠/覚醒状態を正確に自動的に検出するための深層学習ベースの手法を開発すること。
• 標準的な睡眠/覚醒分類を拡張し、新たに「眠りに落ちる」と「昼寝」の状態を導入すること。
• 臨床データにおける検出された睡眠パターンと群発頭痛発作の発症との関係を調査すること。
• 臨床試験における個別化された疾患管理のための客観的でデータ駆動型のデジタルバイオマーカーを実現すること。

提案手法

• 時系列アクチグラフィー信号における時間的依存性を捉えるために、スロットフィルティング・モデルをインspiredとした双方向アーキテクチャを備えた逐次的CNNモデルを設計する。
• 複数の睡眠/覚醒状態を同時に最適化することで一般化性能と特徴学習を向上させるため、マルチタスク学習（MTL）モデルを提案する。
• 臨床的評価から得られたラベルを用いて、ウェアラブルデバイスを用いて収集された臨床試験データのアクチグラフィー・データ上でモデルを訓練する。
• 拡張された状態空間には「睡眠」「覚醒」「眠りに落ちる」「昼寝」が含まれ、睡眠パターン検出の粒度を向上させる。
• モデルの訓練には教師あり学習と交差エントロピー損失を用い、分類性能は標準的な分類指標で評価する。
• CNNの入力シーケンスを生成するために、アクチグラフィー信号の時間的セグメンテーションをスライディング・ウィンドウ法で実施する。

実験結果

リサーチクエスチョン

• RQ1 深層畳み込みニューラルネットワークは、アクチグラフィー・データから「眠りに落ちる」や「昼寝」を含む拡張された睡眠/覚醒状態を高精度に分類できるか？
• RQ2 睡眠/覚醒状態検出において、逐次的CNNとマルチタスク学習CNNアーキテクチャの性能はどのように比較されるか？
• RQ3 検出された睡眠パターンの異常と群発頭痛発作の発症との間にどのような関係があるか？
• RQ4 提案されたモデルは、臨床研究および個別化された疾患管理のための信頼できるデジタルバイオマーカーとして機能できるか？

主な発見

• 提案されたCNNベースのモデルは、標準的な二値分類を上回る高精度で、拡張された睡眠/覚醒状態（「眠りに落ちる」および「昼寝」を含む）を検出している。
• マルチタスク学習モデルは、異なる睡眠状態遷移において、より優れた一般化性能と耐障害性を示している。
• 逐次的CNNモデルは、アクチグラフィー信号における時間的ダイナミクスを効果的に捉えており、状態遷移の検出を強化している。
• 予備的分析では、とくに断続的な「昼寝」状態が関連する不規則な睡眠パターンと、群発頭痛発作頻度の上昇との相関が示された。
• これらのモデルは、デジタルフェノタイピングへの応用および臨床試験ワークフローへの統合による客観的睡眠モニタリングの分野での強力な可能性を示している。