[논문 리뷰] Automated Polysomnography Analysis for Detection of Non-Apneic and Non-Hypopneic Arousals using Feature Engineering and a Bidirectional LSTM Network

Ali Bahrami Rad, Morteza Zabihi외 4명|arXiv (Cornell University)|2019. 09. 06.

Obstructive Sleep Apnea Research인용 수 5

한 줄 요약

이 연구는 다중 생리학적 특징(75개)과 산란 변환 기반 특징(390개)을 조합한 465개의 엔지니어링 특징을 활용한 양방향 LSTM 기반 분류 모델을 제안한다. 이는 다원성 수면검사(PSG) 데이터에서 비호흡기저하성 및 비저하성 각성, 특히 호흡운동관계각성(RERAs)을 자동으로 탐지하기 위한 것이다. 이 방법은 2018년 PhysioNet 챌린지 테스트 세트에서 AUPRC 0.50을 기록하여 공동 2위를 달성하였다.

ABSTRACT

Objective: The aim of this study is to develop an automated classification algorithm for polysomnography (PSG) recordings to detect non-apneic and non-hypopneic arousals. Our particular focus is on detecting the respiratory effort-related arousals (RERAs) which are very subtle respiratory events that do not meet the criteria for apnea or hypopnea, and are more challenging to detect. Methods: The proposed algorithm is based on a bidirectional long short-term memory (BiLSTM) classifier and 465 multi-domain features, extracted from multimodal clinical time series. The features consist of a set of physiology-inspired features (n = 75), obtained by multiple steps of feature selection and expert analysis, and a set of physiology-agnostic features (n = 390), derived from scattering transform. Results: The proposed algorithm is validated on the 2018 PhysioNet challenge dataset. The overall performance in terms of the area under the precision-recall curve (AUPRC) is 0.50 on the hidden test dataset. This result is tied for the second-best score during the follow-up and official phases of the 2018 PhysioNet challenge. Conclusions: The results demonstrate that it is possible to automatically detect subtle non-apneic/non-hypopneic arousal events from PSG recordings. Significance: Automatic detection of subtle respiratory events such as RERAs together with other non-apneic/non-hypopneic arousals will allow detailed annotations of large PSG databases. This contributes to a better retrospective analysis of sleep data, which may also improve the quality of treatment.

연구 동기 및 목표

• 다원성 수면검사(PSG) 기록에서 비호흡기저하성 및 비저하성 각성을 자동으로 탐지하기 위한 알고리즘 개발을 목적으로 한다. 특히 미세한 호흡운동관계각성(RERAs)에 초점을 맞춘다.
• 경과가 없는 호흡기저하성 또는 저하성 각성으로 분류되지 않지만 수면 방해와 건강 위험에 기여하는 RERAs를 탐지하는 데 도전하는 것을 목적으로 한다.
• 다량의 PSG 데이터베이스에 대한 후행 분석을 향상시키기 위해 미세한 각성 사건에 대해 자동이고 일관된 주석을 부여할 수 있도록 하는 것을 목적으로 한다.
• 생리학적 통찰을 반영한 특징 엔지니어링과 산란 변환 기반 특징 추출을 융합하여 탐지 성능을 향상시키는 것을 목적으로 한다.
• 2018년 PhysioNet 챌린지 데이터셋에서 방법을 검증하고 자동 각성 탐지 분야에서 최고 성능을 달성하는 것을 목적으로 한다.

제안 방법

• 이 방법은 다원성 수면검사 시간 시리즈 데이터의 시퀀스 분류를 위해 양방향 장기 단기 기억(비LSTM) 신경망을 사용한다.
• 수작업으로 제작된 465개의 특징을 사용한다: 전문가 분석과 다단계 특징 선택을 통해 유도된 75개의 생리학적 통찰 특징과, 강인하고 시간 불변 표현을 위해 산란 변환을 통해 추출된 390개의 특징.
• 산란 변환은 뇌파(EEG), 안구운동(EOG), 근전도(EMG), 호기량, 산소포화도(SaO2) 등 모든 생체신호에 대해 고정된 필터 백을 사용하여 동일하게 적용되며, 신호 간 주파수 성분의 다양성에도 불구하고 적용된다.
• 아티팩트 제거는 전체 시간 시리즈를 기반으로 계산된 임계값을 사용하여 수행되며, 이는 안정적인 특징 추출을 가능하게 하지만 수정 없이 실시간 사용에는 제한된다.
• 실시간 적응을 위해 BiLSTM는 단방향 LSTM로 대체되지만, 성능은 AUPRC 0.36과 AUROC 0.85로 저하된다.
• 특징 중요도는 추론 실험을 통해 평가되었으며, 선택된 특징에서 예상치 못한데도 유의미한 패턴이 드러났다.

실험 결과

연구 질문

• RQ1 엔지니어링 특징과 딥러닝의 융합 접근법이 PSG 데이터에서 비호흡기저하성, 비저하성 각성, 특히 RERAs와 같은 미세한 각성을 효과적으로 탐지할 수 있는가?
• RQ2 생리학적 통찰 특징과 산란 변환 기반 특징 간의 성능 비교는 어떻게 이루어지는가?
• RQ3 전문가가 통찰한 생리학적 특징을 포함함으로써 순수 데이터 기반 방법에 비해 탐지 성능이 얼마나 향상되는가?
• RQ4 산란 변환은 수면 연구에서 다양한 생체신호에 대해 강인하고 반자동 특징 추출을 제공할 수 있는가?
• RQ5 후행 모델을 실시간 분류에 적응시키는 과정에서 성능과 실시간 가능성 간의 상충 관계는 어떻게 나타나는가?

주요 결과

• 제안된 알고리즘은 2018년 PhysioNet 챌린지의 은닉 테스트 세트에서 AUPRC 0.50을 기록하여 후속 평가 및 공식 평가 단계에서 모두 공동 2위를 달성하였다.
• 75개의 생리학적 통찰 특징과 390개의 산란 변환 특징을 조합한 결과, 순수 엔드 투 엔드 딥러닝 모델보다 뛰어난 성능을 보였다.
• 다양한 생체신호에 대해 최적화되지 않은 필터 백 설계에도 불구하고, 산란 변환 기반 특징만으로도 챌린지에서 상위 5개 이내의 순위를 기록하였다.
• 모델은 전문가가 통찰한 특징 선택이 표준 딥 네트워크가 쉽게 학습하기 어려운 RERA의 미세한 생리학적 패턴을 포착할 수 있음을 보여주었다.
• 단방향 LSTM로의 실시간 적응은 AUPRC 0.36과 AUROC 0.85로 성능 저하를 초래하였으며, 정확한 분류에 미래의 문맥 정보가 중요한 역할을 함을 시사하였다.
• 연구는 예상치 못한 특징 중요도 패턴을 드러내어 RERA의 생리학적 서명에 대한 새로운 통찰을 제공하였으며, 향후 알고리즘 개발에 기여할 수 있을 것으로 기대된다.