[논문 리뷰] A Convolutional Network for Sleep Stages Classification

Isaac Fernández-Varela, Elena Hernández-Pereira외 2명|arXiv (Cornell University)|2019. 02. 15.

EEG and Brain-Computer Interfaces참고 문헌 29인용 수 5

한 줄 요약

이 논문은 원시 다중수면유도 신호(EEG, EOG, EMG)에서 수면 단계 특징을 자동으로 학습하는 다섯 개인 1D 컨volutional 신경망의 앙상블을 제안한다. 이는 500건의 SHHS 데이터셋에서 가중 평균 코HEN의 카파 점수 0.83을 달성한다. 모델은 수동 특징 공학을 피하면서도 이전 방법보다 전체 일致도에서 뛰어난 성능을 보였지만, 전문가 간 높은 이견으로 인해 N1 단계 분류에 어려움을 겪는다.

ABSTRACT

Sleep stages classification is a crucial task in the context of sleep studies. It involves the simultaneous analysis of multiple signals recorded during sleep. However, it is complex and tedious, and even the trained expert can spend several hours scoring a single night recording. Multiple automatic methods have tried to solve these problems in the past, most of them by classifying a feature vector that is engineered for a specific dataset. In this work, we avoid this bias using a deep learning model that learns relevant features without human intervention. Particularly, we propose an ensemble of 5 convolutional networks that achieves a kappa index of 0.83 when classifying a dataset of 500 sleep recordings.

연구 동기 및 목표

• 수면유도에서 수동 수면 단계 분류의 높은 전문가 간 이질성과 시간 소모 문제를 해결하기 위해.
• 수작업 특징과 데이터셋에 특화된 특징에 의존하는 전통적 방법의 한계를 극복하기 위해.
• 원시 생체 신호에서 직접 관련 특징을 학습하는 딥 러닝 모델을 개발하여 데이터셋 간 일반화 능력을 향상시키기 위해.
• 표준 지표(예: F1 점수, 코헨의 카파)를 사용하여 대규모이고 다양한 데이터셋(SHHS, 500건의 기록)에서 성능을 평가하기 위해.
• 특히 N1 단계의 잘못된 분류와 같은 실패 모드를 규명하고, 순환 메모리와 같은 개선 방안을 제안하기 위해.

제안 방법

• 다섯 개의 채널(두 개의 EEG, 한 개의 EMG, 두 개의 EOG)에서 온전한 시간 시리즈 신호를 처리하기 위해 1D 컨volutional 신경망 아키텍처를 사용한다.
• 원시 생체 신호를 입력하기 전에 신호 필터링(0.5–30 Hz)과 정규화를 적용한다.
• 50개의 구성에서 4개의 하이퍼파라미터를 최적화하기 위해 트리 기반의 파르젠 추정기(TPE)를 활용한다.
• 하이퍼파라미터 탐색에서 선별된 다섯 개의 최고 성능 모델을 앙상블하여 안정성과 일반화 능력을 향상시킨다.
• 소프트맥스 분류와 교차 엔트로피 손실을 사용하여 다섯 개의 수면 단계(W, N1, N2, N3, REM)를 예측한다.
• 보류된 테스트 세트에서 정밀도, 재현율(민감도), F1 점수, 코헨의 카파를 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 원시 수면유도 신호로 훈련된 딥 러닝 모델이 기존의 특징 기반 방법보다 전문가 평가와 더 높은 일致도를 달성할 수 있는가?
• RQ2 1D CNN 앙상블의 성능은 F1 및 카파와 같은 표준 지표에서 이전 최고 수준의 방법과 비교해 어떻게 되는가?
• RQ3 왜 N1 단계는 특히 분류하기 어려운가? 그리고 모델은 체계적인 잘못된 분류 패턴을 보이는가?
• RQ4 트리 기반 파르젠 추정기를 통한 하이퍼파라미터 최적화가 모델의 일반화 능력을 얼마나 향상시킬 수 있는가?
• RQ5 수작업 특징 재공학 없이도 모델을 다른 데이터셋에 적응시킬 수 있는가?

주요 결과

• 앙상블 모델은 SHHS 테스트 세트에서 코헨의 카파 점수 0.83을 달성하여 대부분의 이전 연구보다 전체 일치도에서 뛰어난 성능을 보였다.
• W(각성) 단계의 F1 점수는 0.95로 매우 높아 이 클래스에 대한 강력한 성능를 나타낸다.
• N1의 F1 점수는 단지 0.27로, 모델이 이 단계를 분류하는 데 어려움을 겪고 있음을 반영하며, 이는 전문가 간 높은 이견과 일치한다.
• 오분류가 가장 빈번하게 N2로 발생했으며, N1 예측의 39%가 잘못 N2로 할당되어 체계적인 편향이 있음을 시사한다.
• N2(F1: 0.88), N3(F1: 0.84), REM(F1: 0.86)에 대해선 뛰어난 성능를 보였으며, 모든 클래스에서 정밀도와 민감도가 0.8 이상이었다.
• 결과는 모델가 다양한 데이터셋 간에 잘 일반화된다는 것을 시사하며, 순환층을 통한 시간적 의존성 통합을 통해 추가로 향상시킬 수 있을 것으로 보인다.