[論文レビュー] AI Generalisation Gap In Comorbid Sleep Disorder Staging

Saswata Bose, Suvadeep Maiti+5 more|arXiv (Cornell University)|Mar 24, 2026

EEG and Brain-Computer Interfaces被引用数 0

ひとこと要約

本論文は、健康データで学習した睡眠段階推定モデルが、併存する睡眠障害を持つ虚血性脳卒中患者には一般化しにくいことを示し、 iSLEEPS と Grad-CAM の説明性を用いて焦点の不整合を明らかにする。

ABSTRACT

Accurate sleep staging is essential for diagnosing OSA and hypopnea in stroke patients. Although PSG is reliable, it is costly, labor-intensive, and manually scored. While deep learning enables automated EEG-based sleep staging in healthy subjects, our analysis shows poor generalization to clinical populations with disrupted sleep. Using Grad-CAM interpretations, we systematically demonstrate this limitation. We introduce iSLEEPS, a newly clinically annotated ischemic stroke dataset (to be publicly released), and evaluate a SE-ResNet plus bidirectional LSTM model for single-channel EEG sleep staging. As expected, cross-domain performance between healthy and diseased subjects is poor. Attention visualizations, supported by clinical expert feedback, show the model focuses on physiologically uninformative EEG regions in patient data. Statistical and computational analyses further confirm significant sleep architecture differences between healthy and ischemic stroke cohorts, highlighting the need for subject-aware or disease-specific models with clinical validation before deployment. A summary of the paper and the code is available at https://himalayansaswatabose.github.io/iSLEEPS_Explainability.github.io/

研究の動機と目的

• 健康被験者の睡眠段階推定モデルを、併存睡眠障害を持つ虚血性脳卒中患者に適用した際の一般化ギャップを強調する。
• 臨床的に注釈付けされた PSG データセットである stroke patients の iSLEEPS を導入し、病理学を意識したベンチマークを可能にする。
• 単一チャンネル EEG の睡眠推定のために SE-ResNet と bidirectional LSTM モデルを開発・ベンチマークする。
• Grad-CAM の説明可能性と臨床医のフィードバックを用いて、モデルの注意対象と臨床的妥当性を評価する。

提案手法

• 滑動ウィンドウ 30 s で生の単一チャンネル EEG を処理し、中間エポックの睡眠段階を予測する。
• SE-ResNet を用いてスペクトル-時間特徴を抽出しノイズを抑制する。
• 双方向時系列依存をモデリングするために積み重ねた Bi-LSTM 層を組み込む。
• Leave-one-out クロスバリデーションで、4つのデータセット（SleepEDF-20、SleepEDF-78、SHHS、iSLEEPS）でモデルを訓練・評価する。
• Grad-CAM を適用して、どの EEG 領域が意思決定を駆動するかを示すヒートマップを生成し、臨床医が検証する。

Fig. 1 : Deep Model Architecture, with the $n$ th epoch being input to the model, having a window size of $w$ and a stride length of $s$ .

実験結果

リサーチクエスチョン

• RQ1 健康データで学習したモデルは、併存睡眠障害を持つ虚血性脳卒中患者に一般化できるか。
• RQ2 説明可能性（Grad-CAM）は、患者データの臨床的に意味のある EEG 特徴とどの程度一致するか。
• RQ3 健康データで訓練したモデルを iSLEEPS に適用した場合と、患者データで訓練した場合の性能差はどれくらいか。
• RQ4 睡眠構造のデータセット固有の違いが、一般化の失敗をどのように説明するか。

主な発見

Dataset	Model	ACC	MF1	κ
SleepEDF-20	Ours (SE-ResNet + Bi-LSTM)	87.5	82.5	0.82
SleepEDF-78	Ours (SE-ResNet + Bi-LSTM)	83.8	78.9	0.77
SHHS	Ours (SE-ResNet + Bi-LSTM)	87.8	81.9	0.83
iSLEEPS	Ours (SE-ResNet + Bi-LSTM)	74.7	67.7	0.64

• 健康データで訓練したモデルは、iSLEEPS（患者コホート）に適用した際に substantial generalization gap を示す。
• iSLEEPS で提案ベンチマークモデルは 74.7% ACC、67.7 MF1、0.64 κ を達成し、健康コホートの結果より低いが、ある程度の予測能力を示す。
• Grad-CAM のヒートマップは、健康データで訓練した場合に stroke 患者の生理的に情報量の少ない EEG 領域への注意を明らかにする。
• 臨床医のフィードバックは、活性化の多くが拡散性低下、アーチファクト、睡眠以外の特徴に対応しており、スピンドルような現象、K複合、アルファ律動には対応していないことを確認する。
• 統計解析は、健康と虚血性脳卒中コホート間で睡眠構造に有意差があることを示し、被験者適応型または疾病特異モデルを正当化する。
• エンジニアリング特徴を用いた二値分類器分析は、健康対患者の記録を完全に分離でき、 substantial domain shift を強調する。

(a) A Correctly Tagged Epoch. The green box highlights the Alpha Waves present in the epoch.