[論文レビュー] Automatic Sleep Stage Scoring with Single-Channel EEG Using Convolutional Neural Networks

Orestis Tsinalis, Paul M. Matthews+2 more|arXiv (Cornell University)|Oct 5, 2016

EEG and Brain-Computer Interfaces参考文献 22被引用数 259

ひとこと要約

この論文は、単一チャネルEEGから手作り特徴なしで自動睡眠段階分類を行うCNNを訓練し、公開データセットで20-foldクロスバリデーションにおいて平均F1、各段階の精度、および全体精度で競合的性能を達成します。

ABSTRACT

We used convolutional neural networks (CNNs) for automatic sleep stage scoring based on single-channel electroencephalography (EEG) to learn task-specific filters for classification without using prior domain knowledge. We used an openly available dataset from 20 healthy young adults for evaluation and applied 20-fold cross-validation. We used class-balanced random sampling within the stochastic gradient descent (SGD) optimization of the CNN to avoid skewed performance in favor of the most represented sleep stages. We achieved high mean F1-score (81%, range 79-83%), mean accuracy across individual sleep stages (82%, range 80-84%) and overall accuracy (74%, range 71-76%) over all subjects. By analyzing and visualizing the filters that our CNN learns, we found that rules learned by the filters correspond to sleep scoring criteria in the American Academy of Sleep Medicine (AASM) manual that human experts follow. Our method's performance is balanced across classes and our results are comparable to state-of-the-art methods with hand-engineered features. We show that, without using prior domain knowledge, a CNN can automatically learn to distinguish among different normal sleep stages.

研究の動機と目的

• 深層学習を用いた自動睡眠段階分類を、分野知識なしで動機づける。
• RAWな単一チャネルEEG信号上で動作可能なCNNを開発する。
• クラス不均衡を緩和して睡眠段階間の性能バランスを確保する。
• 被験者間の一般化と睡眠品質・遷移エポックに対するロバスト性分析を用いた評価。

提案手法

• 二段階CNNアーキテクチャを提案し、2つの畳み込み-プーリングブロック、スタッキング層、ソフトマックス分類器へ接続する2つの全結合層を含む。
• 前処理なしのFpz-Czからの生EEGを入力とし、30 sエポックで100 Hz、タイムポイント15000。
• クラス不均衡を緩和するため、エポック単位でのクラスバランスを取った確率的勾配降下法を用いたサンプリングを実施。
• 各折りで1被験者をテスト、残りの19被験者を訓練とする20-foldクロスバリデーションで訓練・評価する。
• 学習済みCNNフィルターの周波数成分と活性化パターンを分析し、AASMの手動ガイダンスと比較する。
• エンドツーエンドのCNN性能を、従来の手作業特徴アプローチおよび固定フィルター（M-CNN）バリアントと比較する。

実験結果

リサーチクエスチョン

• RQ1 CNNは手作り特徴なしで、生の単一チャネルEEGから判別可能な睡眠段階特徴を学習できるか。
• RQ2 エンドツーエンドのCNNベース睡眠ステージングは、クラス不均衡下で全睡眠段階の性能をバランスさせるか。
• RQ3 CNNが学習したフィルターは、折にわたり確立された睡眠評価基準（AASM）とどう関連するか。
• RQ4 CNNベース睡眠ステージングの被験者間一般化は、睡眠品質および遷移率の変化に対してどうであるか。

主な発見

N1（ノンレム1）	N2（ノンレム2）	N3（ノンレム3）	R（REM睡眠）	W（覚醒）
1657 (60%)	259 (9%)	9 (0%)	427 (15%)	410 (15%)
1534 (9%)	12858 (73%)	1263 (7%)	1257 (7%)	666 (4%)
9 (0%)	399 (7%)	5097 (91%)	1 (0%)	85 (2%)
1019 (13%)	643 (8%)	3 (0%)	5686 (74%)	360 (5%)
605 (18%)	171 (5%)	47 (1%)	175 (5%)	2382 (70%)

• 5段階の平均F1スコア：指標と折により約79–81%。
• 各段階の平均精度は約80–82%、全体精度は約74%。
• 最も識別が良かった段階はN3（約90%正解）、REMとN2はそれぞれ約75%、Wakeは約70%の精度で総計。
• 誤分類はN1とW、またはN1とRの間で最も多く、他の段階ペアの混同行列は相対的に低かった。
• CNNが学習した第一層フィルターは、AASMガイダンスと一致する周波数パターンを示し、解釈可能な学習特徴を示す（例：N3で1–1.5 Hzと12.5–14 Hz、N2で13–14.5 Hzと2–4 Hzなど）。
• 5-foldsで学習されたフィルターは高レベルの類似性を示し、データ分割間で学習表現の一貫性を示唆する。