[論文レビュー] Sequence-based Sleep Stage Classification using Conditional Neural Fields

Intan Nurma Yulita, Mohamad Ivan Fanany+1 more|arXiv (Cornell University)|Oct 6, 2016

EEG and Brain-Computer Interfaces参考文献 23被引用数 3

ひとこと要約

本論文は、特徴抽出に条件付きニューラルフィールド（CNF）、ディープベルーフネットワーク（DBN）、およびファジーセット・ミーンズ（FCM）を用いた、シーケンスベースの睡眠ステージ分類フレームワークを提案する。プライベートデータセット上でDBN-CNFは99.96％の精度を達成し、トレーニング時間は中程度であり、CRFや他のバリエーションを上回る性能を示した。一方、FCM-CNFは同じデータ上で82.7％の精度と高速性の良好なバランスを実現し、睡眠ステージ分類におけるシーケンスモデリングと特徴抽出の選択の有効性を裏付けた。

ABSTRACT

Sleep signals from a polysomnographic database are sequences in nature. Commonly employed analysis and classification methods, however, ignored this fact and treated the sleep signals as non-sequence data. Treating the sleep signals as sequences, this paper compared two powerful unsupervised feature extractors and three sequence-based classifiers regarding accuracy and computational (training and testing) time after 10-folds cross-validation. The compared feature extractors are Deep Belief Networks (DBN) and Fuzzy C-Means (FCM) clustering. Whereas the compared sequence-based classifiers are Hidden Markov Models (HMM), Conditional Random Fields (CRF) and its variants, i.e., Hidden-state CRF (HCRF) and Latent-Dynamic CRF (LDCRF); and Conditional Neural Fields (CNF) and its variant (LDCNF). In this study, we use two datasets. The first dataset is an open (public) polysomnographic dataset downloadable from the Internet, while the second dataset is our polysomnographic dataset (also available for download). For the first dataset, the combination of FCM and CNF gives the highest accuracy (96.75\%) with relatively short training time (0.33 hours). For the second dataset, the combination of DBN and CRF gives the accuracy of 99.96\% but with 1.02 hours training time, whereas the combination of DBN and CNF gives slightly less accuracy (99.69\%) but also less computation time (0.89 hours).

研究の動機と目的

• 既存の分類手法が睡眠信号を非シーケンス的データとして扱うという限界に対処すること。
• 条件付きニューラルフィールド（CNF）およびその変種を用いたシーケンスモデリングの睡眠ステージ分類への有効性を評価すること。
• 順序的な睡眠信号分類の文脈において、DBNとFCMを無教師特徴抽出器として比較すること。
• 複数のモデルとデータセットにおける分類精度と計算効率（トレーニング／テスト時間）のトレードオフを評価すること。

提案手法

• 2つの多導睡眠図データセット（1つは公開データセット（St. Vincent’s）、もう1つはプライベートデータセット（Mitra Keluarga Kemayoran））を用いた。睡眠ステージは、アウェイク、S1、S2、SWS/S3、REMの5段階である。
• ドメイン固有のパターンを保持するために、EEG、EOG、EMG信号からハンドクラフトされた特徴を抽出した。
• 高レベルの表現を生成するために、ディープベルーフネットワーク（DBN）とファジーセット・ミーンズ（FCM）クラスタリングを無教師特徴抽出器として適用した。
• シーケンスベース分類器として、隠れマルコフモデル（HMM）、条件付きランダムフィールド（CRF）、HCRF、LDCRF、およびそれらのニューラル変種（条件付きニューラルフィールド（CNF）とLDCNF）を評価した。
• すべての設定で堅牢な性能推定を確保するため、10分割交差検証を実施した。
• 精度を最大化し、計算時間を最小化するために、クラスタ数（g）、曇度（w）、ネットワークの深さなどのハイパーパrameterを最適化した。

実験結果

リサーチクエスチョン

• RQ1 CNFを用いて睡眠信号をシーケンスとしてモデリングすることで、非シーケンス的手法に比べ分類精度が向上するか？
• RQ2 睡眠ステージ分類において、DBNとFCMは精度と計算効率の観点からどのように比較できるか？
• RQ3 特徴抽出器とシーケンス分類器のどの組み合わせが、精度とトレーニング／テスト時間のトレードオフにおいて最良のバランスを実現するか？
• RQ4 DBNベースのモデルが効果を発揮しない場合でも、FCM-CNFの性能は異なるデータセットに対して頑健であるか？

主な発見

• St. Vincent’sデータセットでは、FCM-CNFの組み合わせが最も高い精度（96.75％）を達成し、トレーニング時間も最短（0.33時間）であった。他のすべての設定を上回った。
• Mitra Keluarga Kemayoranデータセットでは、DBN-CRFが最も高い精度（99.96％）を達成したが、トレーニングに1.02時間を要した。一方、DBN-CNFは0.89時間で99.69％の精度を達成し、性能と効率の良好なバランスを示した。
• プライベートデータセットでは、FCM-CNFは平均82.7％の精度、平均0.34時間の計算時間で、ディープラーニングベースの抽出器に代わる高速かつ効果的な代替手段としての有効性を示した。
• 両方のデータセットにおいて、CNFモデルはCRF、HCRF、LDCRF、LDCNFすべてを精度と計算効率の両面で上回った。
• プライベートデータセットでは、DBNがFCMよりも優れた特徴抽出器であることが判明したが、FCMは公開データセットでも優れた性能を示した。これは、効果がデータに依存することを示唆している。
• 本研究は、CNFを用いて睡眠信号をシーケンスとして扱うことで、特にDBNのような効果的な特徴抽出器と組み合わせることで、分類性能が顕著に向上することを確認した。