[논문 리뷰] 1D Convolutional Neural Network Models for Sleep Arousal Detection

Morteza Zabihi, Ali Bahrami Rad외 3명|arXiv (Cornell University)|2019. 03. 01.

Sleep and Work-Related Fatigue참고 문헌 19인용 수 10

한 줄 요약

이 논문은 EEG 신호를 사용하여 수면 각성 탐지에 대한 자동화된 1차원 합성곱 신경망(CNN) 모델 다섯 가지를 제안하고 평가한다. PhysioNet 2018 기준 데이터셋으로 훈련된 최고의 모델은 정밀도-재현율 곡선 아래 면적(AUPRC)이 0.31이고, ROC 곡선 아래 면적(AUROC)이 0.84를 기록하여, 전통적인 주파수 이동 규칙을 초월하여 수면 각성과 관련된 일시적인 EEG 특징을 1D CNN이 효과적으로 포착할 수 있음을 보여준다.

ABSTRACT

Sleep arousals transition the depth of sleep to a more superficial stage. The occurrence of such events is often considered as a protective mechanism to alert the body of harmful stimuli. Thus, accurate sleep arousal detection can lead to an enhanced understanding of the underlying causes and influencing the assessment of sleep quality. Previous studies and guidelines have suggested that sleep arousals are linked mainly to abrupt frequency shifts in EEG signals, but the proposed rules are shown to be insufficient for a comprehensive characterization of arousals. This study investigates the application of five recent convolutional neural networks (CNNs) for sleep arousal detection and performs comparative evaluations to determine the best model for this task. The investigated state-of-the-art CNN models have originally been designed for image or speech processing. A detailed set of evaluations is performed on the benchmark dataset provided by PhysioNet/Computing in Cardiology Challenge 2018, and the results show that the best 1D CNN model has achieved an average of 0.31 and 0.84 for the area under the precision-recall and area under the ROC curves, respectively.

연구 동기 및 목표

• 기존 수동 및 규칙 기반 방법의 한계를 해결하기 위해, 이는 종종 복잡한 EEG 동역학을 포착하지 못함.
• 최신 1D CNN 아키텍처(원래 음성 및 영상 처리를 위해 설계됨)가 EEG 신호에서 수면 각성을 효과적으로 탐지할 수 있는지 조사하기 위해.
• 표준 기준 데이터셋을 사용하여 다섯 가지 고급 1D CNN 모델의 비교 평가를 수행하여 이 작업에 가장 효과적인 아키텍처를 특정하기 위해.
• 수면 각성 탐지의 정확성과 신뢰성을 향상시켜 수면 품질 및 기저 병리 상태 평가를 지원하기 위해.

제안 방법

• 원래 음성 및 영상 작업을 위해 개발된 다섯 가지 사전 훈련된 1D CNN 모델이 순차적 EEG 신호 분석에 적합하도록 변형되었다.
• 모델은 1D 합성곱을 사용하여 원시 또는 전처리된 단일 채널 EEG 신호를 처리하여 계층적인 시간적 특징을 추출한다.
• 표준 딥러닝 최적화 기법을 사용하여, PhysioNet 2018 수면 각성 데이터셋에서 엔드 투 엔드로 훈련이 수행되었다.
• 성능 평가는 표준 지표인 ROC 곡선 아래 면적(AUROC)과 정밀도-재현율 곡선 아래 면적(AUPRC)을 사용하여 평가되었다.
• 모델 간의 제거 및 비교 분석을 통해 최고 성능을 내는 아키텍처를 규명하였다.
• 입력 신호는 미니배치 훈련 및 추론을 가능하게 하기 위해 고정 길이 윈도우로 분할되었다.

실험 결과

연구 질문

• RQ1 음성 및 영상 데이터에서 훈련된 1D CNN 모델이 EEG 신호의 수면 각성 탐지에 효과적으로 일반화될 수 있는가?
• RQ2 다섯 가지 선택된 1D CNN 아키텍처 중에서 PhysioNet 2018 수면 각성 기준에서 가장 높은 성능을 내는 것은 무엇인가?
• RQ3 딥러닝 모델은 전통적인 규칙 기반 방법에 비해 수면 각성 탐지에서 어떻게 비교되는가?
• RQ4 모델들이 단순한 주파수 이동을 초월하여 각성 사건과 관련된 일시적인 EEG 패턴을 어느 정도 포착하는가?

주요 결과

• 최고 성능을 낸 1D CNN 모델은 정밀도-재현율 곡선 아래 면적(AUPRC)이 0.31을 기록하여 희귀한 각성 사건 탐지에서 중간 수준의 정밀도와 재현율을 보였다.
• 동일한 모델은 ROC 곡선 아래 면적(AUROC)이 0.84를 기록하여 각성 상태와 비각성 상태 간의 강력한 분류 능력을 보였다.
• 비교 평가 결과, 다섯 모델 간에 뚜렷한 성능 차이가 나타났으며, 아키텍처 설계가 특징 추출 능력에 핵심적인 역할을 했다.
• 결과적으로, 깊이 있는 1D CNN은 기존 주파수 기반 규칙로는 완전히 포착되지 않는 EEG 신호 내 복잡한 비선형 패턴을 효과적으로 학습할 수 있음을 시사한다.