[논문 리뷰] A deep learning architecture for temporal sleep stage classification using multivariate and multimodal time series

Stanislas Chambon, Mathieu Galtier외 3명|arXiv (Cornell University)|2017. 07. 05.

EEG and Brain-Computer Interfaces참고 문헌 50인용 수 594

한 줄 요약

이 논문은 다변량 및 다중 모드 PSG 신호( EEG, EOG, EMG )에서 시간적 맥락을 활용하여 수면 단계를 분류하는 종단 간 딥 러닝 모델을 제안하고, 공개 데이터에서 최첨단 결과를 달성한다.

ABSTRACT

Sleep stage classification constitutes an important preliminary exam in the diagnosis of sleep disorders. It is traditionally performed by a sleep expert who assigns to each 30s of signal a sleep stage, based on the visual inspection of signals such as electroencephalograms (EEG), electrooculograms (EOG), electrocardiograms (ECG) and electromyograms (EMG). We introduce here the first deep learning approach for sleep stage classification that learns end-to-end without computing spectrograms or extracting hand-crafted features, that exploits all multivariate and multimodal Polysomnography (PSG) signals (EEG, EMG and EOG), and that can exploit the temporal context of each 30s window of data. For each modality the first layer learns linear spatial filters that exploit the array of sensors to increase the signal-to-noise ratio, and the last layer feeds the learnt representation to a softmax classifier. Our model is compared to alternative automatic approaches based on convolutional networks or decisions trees. Results obtained on 61 publicly available PSG records with up to 20 EEG channels demonstrate that our network architecture yields state-of-the-art performance. Our study reveals a number of insights on the spatio-temporal distribution of the signal of interest: a good trade-off for optimal classification performance measured with balanced accuracy is to use 6 EEG with 2 EOG (left and right) and 3 EMG chin channels. Also exploiting one minute of data before and after each data segment offers the strongest improvement when a limited number of channels is available. As sleep experts, our system exploits the multivariate and multimodal nature of PSG signals in order to deliver state-of-the-art classification performance with a small computational cost.

연구 동기 및 목표

• 자동 수면 단계 분류를 불균형 다중 클래스 예측 문제로 동기화하고 해결한다.
• 핸드 크래프드 특징 없이 원시 다변량 PSG 신호로부터 학습하는 엔드-투-엔드 딥 네트워크를 제안한다.
• 공간 필터링과 시간 맥락을 활용하여 강건성과 성능을 향상시킨다.
• 최신 방법과 벤치마크하고 센서 구성 및 시간 맥락의 영향을 분석한다.

제안 방법

• EEG/EOG 및 EMG 각 모달리티에 대한 가상 채널을 만들기 위해 선형 공간 필터를 학습하는 엔드-투-엔드 딥 아키텍처를 도입한다.
• 각 모달리티에서 스펙트럴 특징을 추출하기 위해 합성곱 블록, ReLU, 최대풀링을 사용하는 별도의 파이프라인을 활용한다.
• 모달리티별 특징을 결합하고 소프트맥스 분류기로 전달하여 수면 단계 확률을 출력한다.
• 이를 시간 분포형 다변량 네트워크로 확장하여 인접한 30초 구간의 특징을 모아 시간 맥 context를 도입한다.
• 균형 잡힌 미니배치와 Adam 최적화를 사용하고 강건성을 위해 조기 종료를 적용한다.

실험 결과

연구 질문

• RQ1 원시 다변량 PSG 신호에서의 엔드-투-엔드 학습이 수면 단계 분류를 위한 수작업 특징 접근 방식보다 우수한가?
• RQ2 공간적(다중 채널) 정보를 도입하는 것이 분류 성능과 강건성에 어떤 영향을 미치는가?
• RQ3 시간 맥 context가 분류 정확도와 hypnogram 전이에 어떤 영향을 미치는가?
• RQ4 채널 수, 추가 모달리티, 계산 비용 간의 트레이드오프는 무엇인가?

주요 결과

• 다변량(EEG + EOG) 데이터와 EMG를 병렬 파이프라인으로 사용하면 61개의 공개 PSG 레코드에서 최첨단 성능을 달성한다.
• 더 잘 분포된 EEG 채널을 추가하면 어느 정도까지 균형된 정확도가 향상되며, 여섯 채널을 넘으면 추가 모달리티를 사용하지 않으면 수익이 감소한다.
• EOG 및 EMG 모달리티를 도입하면 특히 EEG 채널 수가 짧은 설정에서 성능이 향상된다.
• 시간 맥 context는 공간 맥 context가 제한된 경우 특정 수면 단계(N1, N2, REM)의 정확도를 개선하지만, 과도한 시간 맥 context는 wake와 N3의 성능을 감소시킬 수 있다.
• 제안된 다변량 다모달 아키텍처는 기준선에 비해 비교적 낮은 계산 비용으로 강력한 성능을 달성한다.