[논문 리뷰] Actigraphy-based Sleep/Wake Pattern Detection using Convolutional Neural Networks

Lena Granovsky, Gabi Shalev외 3명|arXiv (Cornell University)|2018. 02. 22.

EEG and Brain-Computer Interfaces참고 문헌 23인용 수 10

한 줄 요약

이 논문은 액티그라피 데이터로부터 확장된 수면/각성 상태(특히 '수축 중'과 '시사' 상태 포함)를 탐지하기 위해 순차적이고 다중 작업 학습 기반의 컨볼루션 신경망(CNN) 두 가지 모델을 제안한다. 이 모델들은 세밀한 상태를 높은 정확도로 식별하여 임상 데이터에서 군집성 두통 발병과 연관된 수면 패턴을 향상된 방식으로 탐지할 수 있게 한다.

ABSTRACT

Common medical conditions are often associated with sleep abnormalities. Patients with medical disorders often suffer from poor sleep quality compared to healthy individuals, which in turn may worsen the symptoms of the disorder. Accurate detection of sleep/wake patterns is important in developing personalized digital markers, which can be used for objective measurements and efficient disease management. Big Data technologies and advanced analytics methods hold the promise to revolutionize clinical research processes, enabling the effective blending of digital data into clinical trials. Actigraphy, a non-invasive activity monitoring method is heavily used to detect and evaluate activities and movement disorders, and assess sleep/wake behavior. In order to study the connection between sleep/wake patterns and a cluster headache disorder, activity data was collected using a wearable device in the course of a clinical trial. This study presents two novel modeling schemes that utilize Deep Convolutional Neural Networks (CNN) to identify sleep/wake states. The proposed methods are a sequential CNN, reminiscent of the bi-directional CNN for slot filling, and a Multi-Task Learning (MTL) based model. Furthermore, we expand standard "Sleep" and "Wake" activity states space by adding the "Falling asleep" and "Siesta" states. We show that the proposed methods provide promising results in accurate detection of the expanded sleep/wake states. Finally, we explore the relations between the detected sleep/wake patterns and onset of cluster headache attacks, and present preliminary observations.

연구 동기 및 목표

• 딥 러닝을 활용하여 액티그라피 데이터에서 수면/각성 상태를 정확하고 자동으로 탐지할 수 있는 방법을 개발한다.
• 기존의 수면/각성 분류를 넘어서 '수축 중'과 '시사'라는 새로운 상태를 도입한다.
• 임상 데이터에서 탐지된 수면 패턴과 군집성 두통 발작 발생 간의 관계를 조사한다.
• 임상 시험에서 개인 맞춤 치료 관리에 활용 가능한 객관적이고 데이터 기반의 디지털 바이오마커를 제공한다.

제안 방법

• 시간적 의존성을 반영하기 위해 슬롯 채우기 모델을 영감으로 삼은 양방향 아키텍처를 갖춘 순차적 CNN 모델이 설계되었다.
• 다중 작업 학습(MTL) 모델이 제안되어 여러 수면/각성 상태를 동시에 최적화함으로써 일반화 능력과 특징 학습 능력을 향상시킨다.
• 모델은 웨어러블 기기로 수집된 임상 시험의 액티그라피 데이터를 기반으로 훈련되었으며, 임상 평가에서 유도된 레이블을 사용한다.
• 확장된 상태 공간은 '수면', '각성', '수축 중', '시사'를 포함하여 수면 패턴 탐지의 정밀도를 높인다.
• 모델 훈련은 교차 엔트로피 손실를 사용한 지도 학습 방식을 적용하고, 표준 분류 평가 지표를 통해 성능을 평가한다.
• 액티그라피 신호의 시간적 분할은 슬라이딩 윈도우를 사용하여 CNN 입력 시퀀스를 생성한다.

실험 결과

연구 질문

• RQ1 딥 컨volution 신경망은 액티그라피 데이터에서 '수축 중'과 '시사'를 포함한 확장된 수면/각성 상태를 정확하게 분류할 수 있는가?
• RQ2 수면/각성 상태 탐지에서 순차적 CNN과 다중 작업 학습 CNN 아키텍처의 성능는 어떻게 비교되는가?
• RQ3 탐지된 수면 패턴 이상과 군집성 두통 발작 발생 간의 관계는 어떠한가?
• RQ4 제안된 모델들은 임상 연구 및 개인 맞춤 질환 관리에 신뢰할 수 있는 디지털 바이오마커로 활용될 수 있는가?

주요 결과

• 제안된 CNN 기반 모델은 '수축 중'과 '시사'를 포함한 확장된 수면/각성 상태를 높은 정확도로 탐지하여 표준 이진 분류를 능가한다.
• 다중 작업 학습 모델은 다양한 수면 상태 전이에 걸쳐 향상된 일반화 능력과 강건성을 보였다.
• 순차적 CNN 모델은 액티그라피 신호의 시간적 동역학을 효과적으로 포착하여 상태 전이 탐지 능력을 향상시켰다.
• 초기 분석 결과, 특히 산산이 찢어진 '시사' 상태와 같은 비정상적인 수면 패턴이 군집성 두통 발작 빈도 증가와 관련이 있음을 확인했다.
• 이 모델들은 객관적 수면 모니터링을 위한 디지털 페노타이핑 및 임상 시험 워크플로우에의 통합 잠재력을 보였다.