[論文レビュー] Real-Time Sleep Staging using Deep Learning on a Smartphone for a Wearable EEG

Abhay Koushik, Judith Amores+1 more|arXiv (Cornell University)|Nov 25, 2018

EEG and Brain-Computer Interfaces被引用数 8

ひとこと要約

本論文は、スマートフォンと単一チャネルウェアラブルEEGを用いた、初のリアルタイムでデバイス内での睡眠ステージ分類システムを提示する。時間的分散1次元畳み込みニューラルネットワーク（TD-1D-CNN）とZスコア補正を活用し、機器および被験者に依存しない推論を実現した。Sleep-EDFデータセットを用い、30秒のエポックのみで5段階の睡眠ステージ分類（覚醒、N1、N2、N3、REM）において83.5％の精度を達成し、サーバー不要でモバイルデバイス上でポータブルかつリアルタイムの睡眠モニタリングを可能にした。

ABSTRACT

We present the first real-time sleep staging system that uses deep learning without the need for servers in a smartphone application for a wearable EEG. We employ real-time adaptation of a single channel Electroencephalography (EEG) to infer from a Time-Distributed 1-D Deep Convolutional Neural Network. Polysomnography (PSG)-the gold standard for sleep staging, requires a human scorer and is both complex and resource-intensive. Our work demonstrates an end-to-end on-smartphone pipeline that can infer sleep stages in just single 30-second epochs, with an overall accuracy of 83.5% on 20-fold cross validation for five-class classification of sleep stages using the open Sleep-EDF dataset.

研究の動機と目的

• 病院で行う多導睡眠図検査（PSG）やサーバー側の処理を不要とするリアルタイムでデバイス内での睡眠ステージ分類システムの開発。
• スマートフォン上でウェアラブルデバイスの単一チャネルEEGのみを用いて、正確でポータブルかつユーザーフレンドリーな睡眠ステージ分類の実現。
• 軽量でデバイス内での深層学習モデルを用いることで、リアルタイムで30秒エポック分類を実現し、高い精度を達成することで、既存システムの限界を克服すること。
• 覚醒ステージの標準偏差を用いたZスコア補正により、異なるEEG機器および被験者間でのモデルの頑健性を確保すること。

提案手法

• システムは、リアルタイムで単一の30秒EEGエポックを分類するため、時間的分散1次元畳み込みニューラルネットワーク（TD-1D-CNN）を用いる。
• AF7チャネルからの生EEG信号は100Hzにダウンサンプリングされ、30秒ごとに平均、標準偏差、および最小最大距離（MMD）を含む統計的特徴量で処理される。
• Zスコア補正は、覚醒ステージの標準偏差を用いてEEG信号を異なる機器および被験者間で正規化し、機器および被験者に依存しない推論を実現する。
• モデルは、オープンなSleep-EDFデータセットを用い、20-fold交差検証で訓練および検証され、特徴量の重要度は相互情報量を用いて分析され、重要な統計的特徴量を優先する。
• TensorFlow LiteベースのAndroidアプリケーションが、ウェアラブルMuseヘッドバンドからBluetooth Low Energy（BLE）経由でEEGデータをストリーミングし、信頼性スコアとともにリアルタイムの睡眠ステージ予測を可視化する。
• システムは、リアルタイムでのREM検出および、覚醒状態における模擬的目動揺、あごの緊張、瞬きのシミュレーションを通じて、信号の反応性を確認した。

実験結果

リサーチクエスチョン

• RQ1 単一チャネルウェアラブルEEGと軽量な深層学習モデルを組み合わせることで、サーバー依存なしにリアルタイムでデバイス内での睡眠ステージ分類が可能になるか？
• RQ2 スマートフォン上で30秒のEEGエポックのみを用いた1D-CNNベースのモデルが、5段階の睡眠ステージ（覚醒、N1、N2、N3、REM）をどれほど正確に分類できるか？
• RQ3 覚醒ステージの標準偏差を用いたZスコア補正は、異なるEEG機器および個人間でのモデル一般化性能をどの程度向上させるか？
• RQ4 このデバイス内システムの性能は、人間の専門家によるスコアリングと比較して、評価者間信頼性および分類精度の観点でどの程度の水準にあるか？

主な発見

• 20-fold交差検証において、Sleep-EDFデータセットを用いた5段階睡眠ステージ分類で、全体の正解率が83.5％に達した。
• 独立したテスト夜では、正解率が72％（最悪ケース）から81.72％の範囲にあり、F1スコアは76.23％、マイクロ平均F1スコアは0.82であった。
• N1ステージが最も低い性能を示し（精度0.47、再現率0.42、F1 0.44）、主に頸後部電極の欠如による信頼性の低い検出が要因である。
• EEG信号の標準偏差が最も重要な統計的特徴量であることが判明し、特徴量の重要度の平均で53.33％を占め、Zスコア補正にその使用を正当化した。
• リアルタイムでのREM検出が正常に確認され、覚醒状態における模擬的目動揺、瞬き、あごの緊張のシミュレーションを通じて、動的条件下でも反応性と信頼性を確認した。
• 混同行列とヒプノグラムの比較から、特にN2およびN3ステージにおいて真のラベルと強い一致を示し、非レム睡眠ステージの分類において堅牢な性能を示した。