[論文レビュー] Sleep Staging by Modeling Sleep Stage Transitions using Deep CRF.

Karan Aggarwal, Swaraj Khadanga+3 more|arXiv (Cornell University)|Jul 23, 2018

Obstructive Sleep Apnea Research参考文献 41被引用数 2

ひとこと要約

本論文では、多層型畳み込み・再帰型ネットワークを用いたエンドツーエンドの深層学習フレームワークを提案する。このフレームワークは、CPAP流量信号のみを用いて睡眠段階遷移をモデル化し、特徴抽出に畳み込み・再帰型ネットワークを、時間的ダイナミクスを捉えるために深層条件付き確率場（CRF）層を組み合わせる。この手法により、従来のアプローチに比べて睡眠ステージングの正確性が10%向上し、CPAP療法のモニタリングに向けた睡眠効率や段階指標の信頼性ある追跡が可能になる。

ABSTRACT

Sleep plays a vital role in human health, both mental and physical. Sleep disorders like sleep apnea are increasing in prevalence, with the rapid increase in factors like obesity. Sleep apnea is most commonly treated with Continuous Positive Air Pressure (CPAP) therapy, which maintains the appropriate pressure to ensure continuous airflow. It is widely accepted that in addition to preventing air passage collapse, increase in deep and REM sleep stages would be good metrics for how well the CPAP therapy is working in improving sleep health. Presently, however, there is no mechanism to easily detect a patient's sleep stages from CPAP flow data alone. We propose, for the first time, an automated sleep staging model based only on the flow signal. Recently deep neural networks have shown high accuracy on sleep staging by eliminating handcrafted features. However, these methods focus exclusively on extracting informative features from the input signal, without paying much attention to the dynamics of sleep stages in the output sequence. We propose an end-to-end framework that uses a deep convolution-recurrent neural networks to extract high-level features from raw flow signal and then uses a structured output layer based on a conditional random field to model the temporal transition structure of the sleep stages. We improve upon the previous methods by 10% using our model, that can be augmented to the previous sleep staging deep learning methods. We also show that our method can be used to accurately track sleep metrics like sleep efficiency calculated from sleep stages that can be deployed for monitoring the response of CPAP therapy on sleep apnea patients. Apart from the technical contributions, we expect this study to motivate new research questions in sleep science, especially towards the understanding of sleep architecture trajectory among patients under CPAP therapy.

研究の動機と目的

• 多層型睡眠ステージングシステムの開発を目的とし、多導睡眠図記録や追加のセンサーを一切不要とすること。
• 既存の深層学習モデルが睡眠段階遷移の時間的構造を無視するという限界を克服すること。
• 構造的予測を用いて睡眠段階の逐次的ダイナミクスをモデル化することで、睡眠ステージングの正確性を向上させること。
• 睡眠効率や段階持続時間といった臨床的指標を導出し、CPAP療法の有効性を臨床的にモニタリングすること。

提案手法

• 生のCPAP流量信号から階層的で高次元の表現を直接抽出するために、深層畳み込み・再帰型ニューラルネットワーク（CRNN）を採用する。
• 時間的依存関係および睡眠段階間の遷移確率をモデル化するため、条件付き確率場（CRF）層を構造的出力層として統合する。
• 特徴学習とシーケンスレベルの構造的予測を統合した共同損失関数を用いて、フレームワーク全体をエンドツーエンドで訓練する。
• 予測された睡眠段階シーケンスを用いて、睡眠効率、ノンレム睡眠の深睡期、レム睡眠の持続時間といった臨床的関連指標を算出する。
• 既存の深層学習睡眠ステージングモデルにCRF層を追加することで、特徴抽出器の再トレーニングなしに性能を向上させる。
• CRFの時間的モデリング機能を活用し、N1からN2へ、そしてSWS（慢性的睡眠）への生理学的に妥当な睡眠段階遷移を強制する。

実験結果

リサーチクエスチョン

• RQ1 追加の生理的信号を用いずに、CPAP流量信号のみで正確な睡眠ステージングが可能か？
• RQ2 構造的CRF層を用いて睡眠段階遷移をモデル化することで、標準的な深層学習手法に比べてステージング正確性がどの程度向上するか？
• RQ3 本モデルが流量データのみから、睡眠効率やレム睡眠持続時間といった臨床的指標をどの程度正確に追跡できるか？
• RQ4 本モデルは、既存の深層学習睡眠ステージングフレームワークに統合可能で、性能を向上させられるか？
• RQ5 本モデルは、CPAP療法中における睡眠構造の変化に関するどのような知見を提供するか？

主な発見

• 提案手法は、CPAP流量データ上で評価した際、従来の深層学習手法に比べ10%の睡眠ステージング正確性の向上を達成した。
• 深層CRF層の統合により、睡眠段階遷移の時間的ダイナミクスをモデル化することで、性能が顕著に向上した。
• 本モデルは、流量信号のみから睡眠効率や段階持続時間の正確な推定が可能であり、CPAP療法の臨床的モニタリングを支援する。
• 本フレームワークは、既存の深層学習睡眠ステージングモデルに容易に拡張可能であり、特徴抽出器の再トレーニングなしに性能を向上させられる。
• 本手法は、CPAP療法を受ける患者における睡眠構造の遷移軌跡を研究する基盤を提供し、睡眠科学分野における新たな研究分野を開く。