[論文レビュー] Automated Polysomnography Analysis for Detection of Non-Apneic and Non-Hypopneic Arousals using Feature Engineering and a Bidirectional LSTM Network

Ali Bahrami Rad, Morteza Zabihi+4 more|arXiv (Cornell University)|Sep 6, 2019

Obstructive Sleep Apnea Research被引用数 5

ひとこと要約

本研究では、多様な生理的特徴（75個）と散乱変換（390個）に基づく特徴量を組み合わせた、双方向LSTMに基づく分類モデルを提案し、多導睡眠図（PSG）データにおける非閉塞性および非低換気性の覚醒、特に呼吸努力関連覚醒（RERAs）の自動検出を目的としている。この手法は、2018年PhysioNetチャレンジのテストセットでAUPRC 0.50を達成し、2位と並び、並びに2位の成績を収めた。

ABSTRACT

Objective: The aim of this study is to develop an automated classification algorithm for polysomnography (PSG) recordings to detect non-apneic and non-hypopneic arousals. Our particular focus is on detecting the respiratory effort-related arousals (RERAs) which are very subtle respiratory events that do not meet the criteria for apnea or hypopnea, and are more challenging to detect. Methods: The proposed algorithm is based on a bidirectional long short-term memory (BiLSTM) classifier and 465 multi-domain features, extracted from multimodal clinical time series. The features consist of a set of physiology-inspired features (n = 75), obtained by multiple steps of feature selection and expert analysis, and a set of physiology-agnostic features (n = 390), derived from scattering transform. Results: The proposed algorithm is validated on the 2018 PhysioNet challenge dataset. The overall performance in terms of the area under the precision-recall curve (AUPRC) is 0.50 on the hidden test dataset. This result is tied for the second-best score during the follow-up and official phases of the 2018 PhysioNet challenge. Conclusions: The results demonstrate that it is possible to automatically detect subtle non-apneic/non-hypopneic arousal events from PSG recordings. Significance: Automatic detection of subtle respiratory events such as RERAs together with other non-apneic/non-hypopneic arousals will allow detailed annotations of large PSG databases. This contributes to a better retrospective analysis of sleep data, which may also improve the quality of treatment.

研究の動機と目的

• 多導睡眠図（PSG）記録における非閉塞性および非低換気性の覚醒、特に微細な呼吸努力関連覚醒（RERAs）を自動で検出するためのアルゴリズムを開発すること。
• 閉塞性アポネアや低換気性とは分類されないが、睡眠障害や健康リスクに寄与するRERAの検出という課題に取り組むこと。
• 大規模なPSGデータベースの後向き分析を向上させ、微細な覚醒イベントの自動的かつ一貫性のあるアノテーションを可能にすること。
• 生理学的知見に基づく特徴量設計と、散乱変換に基づく特徴抽出を組み合わせ、検出性能を向上させること。
• 2018年PhysioNetチャレンジデータセットを用いて手法を検証し、自動覚醒検出分野で最先端の性能を達成すること。

提案手法

• 本手法は、PSG時系列データのシーケンス分類に、双方向長短期記憶（BiLSTM）ニューラルネットワークを採用する。
• 手作業で設計された465個の特徴量を用いる：75個は専門家による分析と複数段階の特徴選択を経て得られ、残りの390個は時間不変な表現を強化するための散乱変換によって抽出されたものである。
• 散乱変換は、周波数スペクトルが異なる信号（例：EEG、EOG、EMG、呼吸量、SpO2）に対しても、固定されたフィルターバンクを一様に適用する。
• アーティファクト除去には、時間全体にわたる閾値を用いるが、これにより安定した特徴抽出が可能になるが、変更を加えなければリアルタイム利用は制限される。
• リアルタイム対応のためには、BiLSTMを単方向LSTMに置き換えるが、性能はAUPRC 0.36、AUROC 0.85に低下する。
• 特徴量の重要度はアブレーションスタディを通じて評価され、選択された特徴量に予期しないが有用なパターンが明らかになった。

実験結果

リサーチクエスチョン

• RQ1 特徴量設計とディープラーニングを組み合わせたハイブリッド手法は、PSGデータにおける微細な非閉塞性・非低換気性覚醒（例：RERA）を効果的に検出できるか？
• RQ2 生理学的知見に基づく特徴量と、散乱変換に基づく特徴量の間で、覚醒検出性能にどのような差が生じるか？
• RQ3 専門家による生理学的知見に基づく特徴量の導入は、完全にデータ駆動型の手法を上回る検出性能を実現するか？
• RQ4 散乱変換は、睡眠研究における多様なバイオシグナルに、堅牢で準自動的な特徴抽出を提供できるか？
• RQ5 リアルタイム適合性と性能のトレードオフは、後向きに設計されたモデルをオンライン分類に適応する際、どの程度顕在化するか？

主な発見

• 提案されたアルゴリズムは、2018年PhysioNetチャレンジの非公開テストセットでAUPRC 0.50を達成し、フォローアップ評価および公式評価フェーズの両方で2位と並び、最高得点を記録した。
• 75個の生理学的知見に基づく特徴量と390個の散乱変換特徴量の組み合わせが、純粋にエンドツーエンドのディープラーニングモデルよりも優れた性能を示した。
• 異なるバイオシグナルに最適でないフィルターバンク設計であったにもかかわらず、散乱変換特徴量のみでさえ、チャレンジで上位5位内にランクインした。
• モデルは、標準的なディープネットワークが容易に学習できない微細な生理的パターンを、専門家による特徴選択によって捉えることができることを示した。
• 単方向LSTMへのリアルタイム適応により、性能はAUPRC 0.36、AUROC 0.85に低下し、正確な分類には将来の文脈情報の重要性が示された。
• 本研究では、予期しない特徴量の重要度パターンが明らかとなり、今後のアルゴリズム開発に役立つRERAの生理的サインに関する新たな知見が得られた。