[論文レビュー] Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage Classification with Model Interpretability

Shivam Sharma, Suvadeep Maiti+3 more|arXiv (Cornell University)|Sep 10, 2023

EEG and Brain-Computer InterfacesNeuroscience被引用数 3

ひとこと要約

本論文は、空間的および時間的特徴を捉えるために、 squeeze-and-excitation residual networks (SE-ResNet) とスタックド Bi-LSTM レイヤーを統合した、単一チャネル EEG を用いた睡眠ステージ分類のための新規エンドツーエンドディープラーニングモデルを提案する。1D-GradCAM を用いた、睡眠ステージ分類における最初の解釈可能で深い学習アプローチを導入し、専門家によるアノテーションと高い整合性を示し、SleepEDF-20、SleepEDF-78、SHHS データセットでそれぞれ 82.5、78.9、81.9 のマクロ-F1スコアを達成した。同時に、畳み込み層のストライドを増加させることで学習を 8 倍高速化した。

ABSTRACT

Automated Sleep stage classification using raw single channel EEG is a critical tool for sleep quality assessment and disorder diagnosis. However, modelling the complexity and variability inherent in this signal is a challenging task, limiting their practicality and effectiveness in clinical settings. To mitigate these challenges, this study presents an end-to-end deep learning (DL) model which integrates squeeze and excitation blocks within the residual network to extract features and stacked Bi-LSTM to understand complex temporal dependencies. A distinctive aspect of this study is the adaptation of GradCam for sleep staging, marking the first instance of an explainable DL model in this domain with alignment of its decision-making with sleep expert's insights. We evaluated our model on the publically available datasets (SleepEDF-20, SleepEDF-78, and SHHS), achieving Macro-F1 scores of 82.5, 78.9, and 81.9, respectively. Additionally, a novel training efficiency enhancement strategy was implemented by increasing stride size, leading to 8x faster training times with minimal impact on performance. Comparative analyses underscore our model outperforms all existing baselines, indicating its potential for clinical usage.

研究の動機と目的

• 単一チャネル EEG 信号における高いばらつきと複雑さに起因する、正確な睡眠ステージ分類の課題に対処すること。
• 自動睡眠ステージ分類におけるモデルの解釈可能性を向上させ、臨床的採用と信頼性を促進すること。
• 計算コストを削減するが性能に影響を与えないデータ効率の良いトレーニング戦略の開発。
• 既存の最先端手法を上回る性能を示すことで、自動睡眠ステージ分類のベンチマークを確立すること。

提案手法

• EEG シーケンスにおける長距離の時間的依存性をモデル化するため、チャネルごとの注目メカニズムに基づく特徴抽出に SE-ResNet を用い、スタックド Bi-LSTM を組み合わせたハイブリッドアーキテクチャを採用する。
• 分類意思決定に影響を与える EEG シグナルのセグメントを可視化するため、1D-GradCAM を適応してクラス活性化マップを生成する。
• 畳み込み層のストライドを増加させることで、計算量を削減しつつ、性能の低下を最小限に抑えたトレーニング効率の向上を実装する。
• 標準的な 30 秒のエポックベースのスコアリングを用い、公開データセット（SleepEDF-20、SleepEDF-78、SHHS）を用いてトレーニングと評価を実施する。
• 同じ EEG ウィンドウを用いて、睡眠専門家による盲検評価を実施し、モデルの注目領域と専門家がアノテートした微細構造を比較する。
• データラベリングおよび評価における臨床基準との整合性を確保するため、AASM および R&K スコアリングガイドラインを活用する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、解釈可能性を維持しつつ、単一チャネル EEG 眠眠ステージ分類で最先端の性能を達成できるか？
• RQ2 1D-GradCAM で可視化されたモデルの注目度が、睡眠専門家が特定した臨床的に重要な EEG マイクロ構造とどの程度一致するか？
• RQ3 ストライドを増加させたトレーニング効率向上戦略が、モデル性能の劣化を最小限に抑えつつ、学習時間をどの程度短縮できるか？
• RQ4 squeeze-and-excitation ブロックと残差ネットワークの統合が、EEG 眠眠ステージ分類における特徴表現を向上させられるか？
• RQ5 SleepEDF-20、SleepEDF-78、SHHS といった多様な公開データセットにおいて、モデルの汎用性はどの程度高いか？

主な発見

• 本モデルは、SleepEDF-20 でマクロ-F1スコア 82.5、SleepEDF-78 で 78.9、SHHS で 81.9 を達成し、既存の最先端手法を上回った。
• 1D-GradCAM の可視化結果は、α波、スリープスパインドル、K複合波、デルタ波といった専門家が特定した EEG マイクロ構造と強く一致した。
• モデルは N2 における K 複合波や N3 におけるデルタ波といった、診断的に重要なマーカーを正確に検出でき、臨床的関連特徴に注目していることを確認した。
• ストライドを増加させたトレーニング効率向上戦略により、学習時間を 8 倍短縮したが、性能への影響はほとんどなかった。
• 睡眠専門家による盲検評価では、モデルの注目領域が、手動スコアリング時に専門家が重視する信号セグメントと密接に一致していることが確認された。
• SE-ResNet とスタックド Bi-LSTM の統合により、特徴抽出および時間的モデリングが著しく向上し、分類精度が顕著に向上した。