[논문 리뷰] A Machine Learning Approach to Automatic Classification of Eight Sleep Disorders

Dylan Zhuang, Ivey Rao외 1명|arXiv (Cornell University)|2022. 04. 14.

EEG and Brain-Computer Interfaces인용 수 6

한 줄 요약

이 연구는 원시 다중수면유도 신호(EEG, EMG, ECG, EOG)를 사용하여 여덟 가지 수면 장애를 분류하는 다중채널 딥러닝 모델을 제안한다. 모든 장애에서 95% 이상의 민감도와 특이도를 달성하며, 수작업으로 추출한 특징 기반 접근 방식보다 원시 신호 입력을 활용함으로써 성능을 뛰어넘는다. 해석 가능성은 히트맵을 통해 확인되며, 임상적으로 관련성이 있는 주파수 패턴을 반영한다.

ABSTRACT

In this research, we attempt to answer the following basic research questions: Is a machine learning model able to classify all types of sleep disorders with high accuracy? Among the different modalities of sleep disorder signals, are some more important than others? Do raw signals improve the performance of a deep learning model when they are used as inputs? Prior research showed that most sleep disorders belong to eight categories. To study the performance of machine learning models in classifying polysomnography recordings into the eight categories of sleep pathologies, we selected the Cyclic Alternating Pattern Sleep Database. We developed a multi-channel Deep Learning model where a set of Convolutional Neural Networks were applied to six channels of raw signals of different modalities, including three channels of EEG signals and one channel each of EMG, ECG , and EOG signals. To compare the performance of the DL model with other models, we designed a model that took spectral features, instead of raw signals, as its inputs. We first studied the "importance" issue of signal modalities using the RF algorithm. We found that ECG contributed most to the important features and EMG second, among the four signal modalities. We then studied the accuracy performance of the proposed machine learning models. We verified that the multi-channel DL-R model, which took raw signals as its inputs, outperformed all other models, with its sensitivity and specificity scores both being above 95 %. This accuracy performance is on a par with those published results which dealt with fewer types of sleep disorders. We adopted two popular heatmap-generating techniques, with which we confirmed that the DL model's superior performance was owing to the CNN network's ability to extract potent features from raw signals.

연구 동기 및 목표

• 수면유도(PSG) 데이터를 사용하여 여덟 가지 흔한 수면 장애의 자동 분류를 위한 머신러닝 프레임워크를 개발한다.
• 수작업으로 추출한 스펙트럼 특징 대비 원시 생리적 신호를 사용할 경우 딥러닝 모델 성능 향상 여부를 평가한다.
• 다양한 신호 모odalities(EEG, EMG, ECG, EOG)가 수면 병리 분류에 기여하는 상대적 중요도를 규명한다.
• 히트맵 시각화 기법을 활용해 딥러닝 모델의 해석 가능성(해석 가능성)을 평가한다.
• 기존 분류기(SVM, 랜덤 포레스트)와 PSG 데이터에서의 딥러닝 모델 성능을 비교한다.

제안 방법

• 다중채널 1차원 컨volutional 신경망(CNN)이 세 개의 EEG, 한 개의 EMG, 한 개의 ECG, 한 개의 EOG 채널 총 여섯 개의 원시 신호를 처리한다.
• 두 가지 딥러닝 모델을 학습한다: DL-R(원시 신호를 입력으로 사용)와 DL-F(스펙트럼 특징을 입력으로 사용).
• 랜덤 포레스트를 사용해 다양한 신호 모달리티 간의 특징 중요도를 순위 매기며, ECG와 EMG가 가장 분류 능력이 높은 것으로 확인된다.
• 해석 가능성 확보를 위해 Grad-CAM과 Grad-CAM++를 적용하여 히트맵을 생성하고, 주파수 범위 및 피크 주파수를 시각화한다.
• 민감도와 특이도를 사용해 여덟 가지 수면 장애 카테고리에서 성능을 평가한다: Bruxism (Bru), Insomnia (Ins), Narcolepsy (Nar), Periodic Leg Movements (Plm), REM Behavior Disorder (Rbd), Sleep-Disordered Breathing (Sbd), Nocturnal Frontal Lobe Epilepsy (Nfl), Normal (Nrm).
• 모델은 108개의 수면유도 기록을 포함하는 사이클릭 알터네이팅 패턴(CAP) 수면 데이터베이스에서 평가된다.

실험 결과

연구 질문

• RQ1 원시 수면유도 신호를 사용하여 여덟 가지 주요 수면 장애를 고정밀도로 분류할 수 있는가?
• RQ2 어느 신호 모달리티(EEG, EMG, ECG, EOG)가 분류 성능에 가장 기여하는가?
• RQ3 원시 신호를 입력으로 사용할 경우, 수작업으로 추출한 스펙트럼 특징을 사용하는 것보다 딥러닝 모델 성능 향상이 이루어지는가?
• RQ4 히트맵 시각화 기법을 통해 모델의 예측을 임상 관찰과 일치하는 방식으로 설명할 수 있는가?
• RQ5 원시 신호 기반 딥러닝 모델의 성능은 기존 분류기와 특징 기반 딥러닝 모델과 비교해 어떻게 되는가?

주요 결과

• 원시 신호를 입력으로 사용하는 DL-R 모델은 여덟 가지 수면 장애 모두에서 민감도와 특이도가 95% 이상을 달성하며, 다른 모든 모델보다 뛰어난 성능을 보였다.
• 스펙트럼 특징을 입력으로 사용하는 DL-F 모델은 주기적 다리 움직임(Plm) 환자에서 특히 낮은 민감도(62.9%)와 특이도(87.1%)를 보였으며, 이는 높은 위양성 및 위음성 비율을 의미한다.
• 랜덤 포레스트 분석 결과, ECG가 가장 중요한 특징 기여를 하였고, 이어 EMG가 뒤이었다. 이는 이들 모달리티가 높은 분류 능력을 지닌다는 것을 시사한다.
• 히트맵 분석을 통해 DL-R 모델이 임상 결과와 일치하는 주파수 패턴을 학습한 것으로 확인되었다: Bruxism과 Nocturnal Frontal Lobe Epilepsy는 저주파 활동이 뚜렷했고, Insomnia는 중주파수에서 고주파수 영역에서 활성화되었다.
• 모델는 뛰어난 강건성을 보였으며, DL-R 모델은 Bruxism에서 민감도 99.6%, 특이도 99.6%를 기록했고, Normal 수면에서는 민감도 98.2%, 특이도 95.9%를 달성했다.
• 이 연구는 원시 신호를 기반으로 학습된 딥러닝 모델이 높은 정확도와 임상적 해석 가능성을 동시에 확보하며, 기존 분류기와 특징 기반 딥러닝 모델을 모두 능가함을 확인했다.