[논문 리뷰] AI Generalisation Gap In Comorbid Sleep Disorder Staging

Saswata Bose, Suvadeep Maiti외 5명|arXiv (Cornell University)|2026. 03. 24.

EEG and Brain-Computer Interfaces인용 수 0

한 줄 요약

논문은 건강한 데이터로 학습된 수면 스테이징 모델이 공존하는 수면 장애를 가진 허혈성 뇌졸중 환자에게 일반화되지 않음을 iSLEEPS와 Grad-CAM 설명을 통해 초점이 잘못 정렬되는 것을 드러낸다.

ABSTRACT

Accurate sleep staging is essential for diagnosing OSA and hypopnea in stroke patients. Although PSG is reliable, it is costly, labor-intensive, and manually scored. While deep learning enables automated EEG-based sleep staging in healthy subjects, our analysis shows poor generalization to clinical populations with disrupted sleep. Using Grad-CAM interpretations, we systematically demonstrate this limitation. We introduce iSLEEPS, a newly clinically annotated ischemic stroke dataset (to be publicly released), and evaluate a SE-ResNet plus bidirectional LSTM model for single-channel EEG sleep staging. As expected, cross-domain performance between healthy and diseased subjects is poor. Attention visualizations, supported by clinical expert feedback, show the model focuses on physiologically uninformative EEG regions in patient data. Statistical and computational analyses further confirm significant sleep architecture differences between healthy and ischemic stroke cohorts, highlighting the need for subject-aware or disease-specific models with clinical validation before deployment. A summary of the paper and the code is available at https://himalayansaswatabose.github.io/iSLEEPS_Explainability.github.io/

연구 동기 및 목표

• 건강한 피험자 수면 스테이징 모델을 공존하는 수면 장애를 가진 허혈성 뇌졸중 환자에 적용할 때의 일반화 격차를 강조한다.
• 병리학 인지 벤치마킹을 가능하게 하는 뇌졸중 환자의 임상 주석이 달린 PSG 데이터세트인 iSLEEPS를 도입한다.
• 단일 채널 EEG 수면 스테이징을 위한 SE-ResNet과 양방향 LSTM 모델을 개발하고 벤치마크한다.
• Grad-CAM 설명 가능성과 임상의 피드백을 사용하여 모델의 주의 집중과 임상적 관련성을 평가한다.

제안 방법

• 슬라이딩 30 s 창으로 원시 단일 채널 EEG를 처리하여 중앙 에폭의 수면 단계를 예측한다.
• SE-ResNet을 사용하여 스펙트럴–시간적 특징을 추출하고 노이즈를 억제한다.
• 양방향 시계열 의존성을 모델링하기 위해 스택된 Bi-LSTM 계층을 도입한다.
• leave-one-out 교차 검증으로 SleepEDF-20, SleepEDF-78, SHHS, iSLEEPS의 네 개 데이터세트에서 모델을 학습하고 평가한다.
• Grad-CAM을 적용하여 어떤 EEG 영역이 의사결정을 좌우하는지 나타내는 히트맵을 생성하고 임상의가 검증한다.

Fig. 1 : Deep Model Architecture, with the $n$ th epoch being input to the model, having a window size of $w$ and a stride length of $s$ .

실험 결과

연구 질문

• RQ1 건강한 수면 데이터로 학습된 모델이 공존하는 수면 장애를 가진 허혈성 뇌졸중 환자에게 일반화되는가?
• RQ2 설명 가능성(Grad-CAM)이 환자 데이터에서 임상적으로 의미 있는 EEG 특징과 어떻게 일치하는가?
• RQ3 건강한 데이터로 학습된 모델을 iSLEEPS에 적용할 때의 성능 차이와 환자 데이터로 학습했을 때의 차이는 무엇인가?
• RQ4 일반화 실패를 설명하는 데이터세트 특성의 차이는 무엇인가?

주요 결과

• 건강한 데이터로 학습된 모델은 iSLEEPS(환자 코호트)에 적용될 때 상당한 일반화 격차를 보인다.
• iSLEEPS에서 제안된 벤치마킹 모델은 74.7% ACC, 67.7 MF1, 0.64 κ를 달성하며, 건강 코호트 결과보다 낮지만 여전히 예측 능력을 시사한다.
• Grad-CAM 히트맵은 건강한 데이터로 학습했을 때 뇌졸중 환자에서 생리적으로 정보가 적은 EEG 영역에 주의가 집중되는 것을 보여준다.
• 임상의 피드백에 따르면 많은 활성화가 확산성 느려짐, 아티팩트, 혹은 수면 특징이 아닌 특징에 해당하며, 스핀들, K-복합체, 또는 알파 리듬과 일치하지 않는 경우가 많다.
• 건강한 대조군과 환자 기록 간 유의미한 수면 구조 차이가 있어 피험자-특화 또는 질환 특이적 모델의 필요성을 정당화한다.
• engineered features를 사용한 이진 분류자 분석은 건강한 데이터와 환자 recordings를 완전히 구분할 수 있음으로써 상당한 도메인 시프트를 강조한다.

(a) A Correctly Tagged Epoch. The green box highlights the Alpha Waves present in the epoch.