[論文レビュー] MSSC-BiMamba: Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba

Chao Zhanga, Weirong Cuia+1 more|arXiv (Cornell University)|May 30, 2024

Restless Legs Syndrome Research被引用数 4

ひとこと要約

本稿では、多モーダルな多導睡眠図（PSG）データを用いた睡眠ステージ分類および睡眠障害の早期診断を目的として、効率的チャネルアテンション（ECA）と双方向状態空間モデル（BiMamba）を組み合わせた新しいマルチモーダル深層学習モデル、MSSC-BiMambaを提案する。このモデルは、睡眠健康状態予測において95.2%の正確性を達成し、Transformerベースのモデルと比較して優れた計算効率と一般化性能を示している。

ABSTRACT

Monitoring sleep states is essential for evaluating sleep quality and diagnosing sleep disorders. Traditional manual staging is time-consuming and prone to subjective bias, often resulting in inconsistent outcomes. Here, we developed an automated model for sleep staging and disorder classification to enhance diagnostic accuracy and efficiency. Considering the characteristics of polysomnography (PSG) multi-lead sleep monitoring, we designed a multimodal sleep state classification model, MSSC-BiMamba, that combines an Efficient Channel Attention (ECA) mechanism with a Bidirectional State Space Model (BSSM). The ECA module allows for weighting data from different sensor channels, thereby amplifying the influence of diverse sensor inputs. Additionally, the implementation of bidirectional Mamba (BiMamba) enables the model to effectively capture the multidimensional features and long-range dependencies of PSG data. The developed model demonstrated impressive performance on sleep stage classification tasks on both the ISRUC-S3 and ISRUC-S1 datasets, respectively containing data with healthy and unhealthy sleep patterns. Also, the model exhibited a high accuracy for sleep health prediction when evaluated on a combined dataset consisting of ISRUC and Sleep-EDF. Our model, which can effectively handle diverse sleep conditions, is the first to apply BiMamba to sleep staging with multimodal PSG data, showing substantial gains in computational and memory efficiency over traditional Transformer-style models. This method enhances sleep health management by making monitoring more accessible and extending advanced healthcare through innovative technology.

研究の動機と目的

• 手作業による睡眠ステージ分類の限界（時間のかかりすぎと主観的評価）を解消するため、自動的で効率的かつ正確な睡眠ステージ分類システムの開発を目的とする。
• 多モーダルな多導睡眠図（PSG）データを用いた早期診断により、睡眠障害の検出を向上させることを目的とする。
• 睡眠ステージ分類タスクにおいて、既存のTransformerベースのモデルと比較して、計算およびメモリ効率を向上させることを目的とする。
• 複雑なPSG信号の時間的ダイナミクスをよりよく捉えるために、双方向の長距離時系列モデリングを活用することを目的とする。
• 健康な睡眠パターンと障害を示す睡眠パターンを含む多様なデータセットにおける一般化性能の検証を目的とする。

提案手法

• 複数のPSGセンサーチャネルからの寄与を動的に重みづけすることで特徴表現を向上させる、効率的チャネルアテンション（ECA）機構を統合する。
• 双方向状態空間モデル（BiMamba）を採用し、前向きおよび逆向きの両方向で長距離時系列依存性を捉えることで、シーケンスモデリングの性能を向上させる。
• モデルは多モーダルなPSGデータに特化して設計されており、EEG、EOG、EMGおよびその他の信号を統合することで分類のロバスト性を向上させる。
• モデルはISRUC-S1、ISRUC-S3、Sleep-EDF153のデータセットを用いて訓練および評価され、一般化性能を評価するためにK分割交差検証が用いられる。
• 自己アテンション機構の代わりに、Mambaの状態空間定式化を採用することで、計算コストを低減しながら高い性能を維持する。
• 標準指標（正確性、F1スコア、カッパ係数）を用いて、N1、N2、N3、REMの複数の睡眠ステージにおいて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 双方向Mambaベースのアーキテクチャは、睡眠ステージ分類のための多モーダルな多導睡眠図データにおける長距離時系列依存性を効果的にモデル化できるか？
• RQ2 効率的チャネルアテンションの統合は、多様なPSGセンサーチャネル間での特徴表現をどのように向上させるか？
• RQ3 MSSC-BiMambaは、健康な睡眠パターンと障害を示す睡眠パターンを含む、異なるデータセット間でどの程度一般化できるか？
• RQ4 モデルは、計算効率を維持しながらも、早期の睡眠障害診断に高い診断正確性を達成できるか？
• RQ5 正確性、推論速度、メモリ使用量の観点から、既存のTransformerベースのモデルと比較して、モデルの性能はどの程度向上しているか？

主な発見

• MSSC-BiMambaモデルは、Sleep-EDF153とISRUCの統合データセットを用いた睡眠健康状態予測において、全体で95.2%の正確性を達成し、早期診断における強力な一般化性能を示した。
• ISRUC-S3データセットでは、全体の正確性が0.857、F1スコアが0.851、カッパ係数が0.817を記録し、標準的な睡眠ステージ分類タスクにおいて優れた性能を示した。
• ISRUC-S1(50)で学習したモデルは、S1(50)テストセットで0.852の正確性を達成し、S1(100)およびS3サブセットでも高い性能を維持し、強固な一般化性能を示した。
• Transformerベースのモデルと比較して、計算およびメモリ効率に優れており、リアルタイムおよびリソース制限のある環境への適用に適している。
• 交差検証の結果、モデルの安定性と信頼性が確認され、REM（S3で0.893）を含むすべての睡眠ステージで一貫したF1スコアが得られた。
• トレーニングデータセットのサイズを増加させることでモデル性能が向上し、9:1の分割で最高の正確性0.952を達成した。これは、強力なスケーラビリティを示している。