[論文レビュー] Automated Classification of Sleep Stages and EEG Artifacts in Mice with Deep Learning

Justus T. C. Schwabedal, Daniel Sippel+2 more|arXiv (Cornell University)|Sep 22, 2018

Sleep and Wakefulness Research参考文献 13被引用数 9

ひとこと要約

本論文では、4秒間のEEGおよびEMGエポックを用いたエンド・ツー・エンド学習により、マウスの睡眠ステージ分類（覚醒、非レム睡眠、レム睡眠）およびEEGアーティファクト検出を自動化するディープラーニングモデルを提示する。従来の特徴工学手法とは異なり、特徴を自動で学習するため、アーティファクトのないデータでは高いF1スコアを達成し、複数の記録チャンネルを活用することでより高い耐障害性を実現した。

ABSTRACT

Sleep scoring is a necessary and time-consuming task in sleep studies. In animal models (such as mice) or in humans, automating this tedious process promises to facilitate long-term studies and to promote sleep biology as a data-driven field. We introduce a deep neural network model that is able to predict different states of consciousness (Wake, Non-REM, REM) in mice from EEG and EMG recordings with excellent scoring results for out-of-sample data. Predictions are made on epochs of 4 seconds length, and epochs are classified as artifact-free or not. The model architecture draws on recent advances in deep learning and in convolutional neural networks research. In contrast to previous approaches towards automated sleep scoring, our model does not rely on manually defined features of the data but learns predictive features automatically. We expect deep learning models like ours to become widely applied in different fields, automating many repetitive cognitive tasks that were previously difficult to tackle.

研究の動機と目的

• マウスのEEG/EMG研究における時間のかかる手作業による睡眠スコアリングプロセスの自動化。
• 予め設計された特徴に依存しない、エンド・ツー・エンドでの予測表現の学習により、手作業による特徴設計の排除。
• 短時間の睡眠遷移（例：一時的な覚醒）を捉えるために、4秒間の時間分解能を有する睡眠ステージ分類の実現。
• 複数の記録チャンネルを活用することで、EEGアーティファクトに対する耐性を向上。
• 大規模な記録データのスケーラブルでデータ駆動型の分析を可能にすることで、長期的な睡眠研究を支援。

提案手法

• マウスのEEGおよびEMG信号からなる4秒間のエポックを、エンド・ツー・エンドで学習する深層畳み込みニューラルネットワーク。
• 最大3つの入力チャンネル（EEG1、EEG2、EMG）を入力とし、各睡眠ステージおよびアーティファクトの存在確率を予測。
• 周波数帯域やスペクトル特徴の事前設計なしに、自動で特徴を学習。
• 音声および自然言語処理分野で用いられる、時系列データ向けに最近進展したCNNの技術を活用。
• クラスの不均衡（アーティファクトのないエポックのほうが多い）に対処するため、リサンプリングを伴うクラスバランスの取れたサンプリングを用いてモデル学習。
• オンライン推論および広範なアクセス性を実現するため、TensorFlow.jsを用いた実装を提供。

実験結果

リサーチクエスチョン

• RQ1 手作業による特徴設計に依存せずに、マウスの睡眠ステージ分類を高精度に自動化できるか？
• RQ2 アーティファクトが混入した条件下で、入力記録チャンネル数の増加がモデル性能に与える影響は？
• RQ3 4秒間のエポック分解能は、マウスにおける一時的な睡眠状態（例：短時間の覚醒）を効果的に捉えられるか？
• RQ4 アーティファクトのないエポックとアーティファクト混入エポックの間のデータ不均衡が、モデルの一般化性能に与える影響はどの程度か？
• RQ5 トランスファー学習を用いることで、最小限の微調整で新しいマウス系統や電極配置にモデルを適応可能か？

主な発見

• 外部データ（out-of-sample）のアーティファクトのないデータに対して、高いF1スコアを達成しており、強力な一般化性能を示した。
• 1つの入力チャンネルのみを用いた場合、27.5％のレム睡眠エポックが「覚醒」と誤分類され、入力が限られた場合の脆弱性を示した。
• 入力チャンネル数を増やすことで、アーティファクト混入データに対する予測の耐障害性が顕著に向上し、誤分類が減少した。
• 少ないチャンネル数でも、アーティファクトのないデータに対しては高い性能を維持しており、最小限の入力からの強力な特徴学習を示した。
• アーティファクト混入データに対する性能は、クリアなデータよりも低く、トレーニングセットのクラス不均衡が原因である可能性が高い。
• 著者らは、より大規模でバランスの取れたデータセットを用いることで、アーティファクト混入記録の性能がさらに向上すると予想している。