[논문 리뷰] Automatic Sleep Stage Scoring with Single-Channel EEG Using Convolutional Neural Networks

Orestis Tsinalis, Paul M. Matthews외 2명|arXiv (Cornell University)|2016. 10. 05.

EEG and Brain-Computer Interfaces참고 문헌 22인용 수 259

한 줄 요약

이 논문은 손으로 설계된 특징 없이 단일 채널 EEG에서 자동 수면 단계 점수를 수행하기 위해 CNN을 학습시키며, 공용 데이터셋에서 20-폴드 교차검증 전체에 걸쳐 평균 F1, 단계별 정확도 및 전체 정확도에서 경쟁력 있는 성능을 달성한다.

ABSTRACT

We used convolutional neural networks (CNNs) for automatic sleep stage scoring based on single-channel electroencephalography (EEG) to learn task-specific filters for classification without using prior domain knowledge. We used an openly available dataset from 20 healthy young adults for evaluation and applied 20-fold cross-validation. We used class-balanced random sampling within the stochastic gradient descent (SGD) optimization of the CNN to avoid skewed performance in favor of the most represented sleep stages. We achieved high mean F1-score (81%, range 79-83%), mean accuracy across individual sleep stages (82%, range 80-84%) and overall accuracy (74%, range 71-76%) over all subjects. By analyzing and visualizing the filters that our CNN learns, we found that rules learned by the filters correspond to sleep scoring criteria in the American Academy of Sleep Medicine (AASM) manual that human experts follow. Our method's performance is balanced across classes and our results are comparable to state-of-the-art methods with hand-engineered features. We show that, without using prior domain knowledge, a CNN can automatically learn to distinguish among different normal sleep stages.

연구 동기 및 목표

• 자동 도메인 지식 없이 심층 학습을 사용한 자동 수면 단계 점수 산출 동기화.
• 원시 단일 채널 EEG 신호에서 작동할 수 있는 CNN 개발.
• 수면 단계 간의 균형 있는 성능을 보장하기 위한 클래스 불균형 완화.
• 교차 피험자 검증 및 수면 질 및 전이 에포크에 대한 강건성 분석으로 일반화 평가.

제안 방법

• 두 개의 컨볼루션-풀링 블록, 스태킹 층, 소프트맥스 분류기로 피드되는 두 개의 완전 연결층을 갖는 2단계 CNN 아키텍처를 제안.
• 전처리 없이 100 Hz에서 30초 에폭에 대해 FPz-Cz의 원시 EEG(15000 타임포인트) 입력.
• 동일 확률 추출(random sampling by epoch)을 통해 클래스 불균형 완화를 위한 SGD 도중 클래스 균형 샘플링 사용.
• 각 폴드가 하나의 피험자를 테스트하고 나머지 19명을 학습하는 방식으로 20-폴드 교차검증으로 학습 및 평가.
• AASM 매뉴얼 지침과의 비교를 위해 주파수 내용 및 활성화 패턴으로 학습된 CNN 필터 분석.
• 종단 간 CNN 성능을 이전의 손으로 엔지니어링된 특징 접근법 및 고정 필터(M-CNN) 변형과 비교.

실험 결과

연구 질문

• RQ1 CNN이 손으로 만든 특징 없이 원시 단일 채널 EEG로 구별 가능한 수면 단계 특징을 학습할 수 있는가?
• RQ2 엔드-투-엔드 CNN 기반 수면 단계 분류가 클래스 불균형 하에서 모든 수면 단계 간의 성능을 균형 있게 유지하는가?
• RQ3 다양한 폴드에서 CNN으로 학습된 필터가 확립된 수면 점수 매기기 기준(AASM)과 어떤 관계가 있는가?
• RQ4 피험자 간 일반화 및 수면 질 변화와 전이율에 대한 CNN 기반 수면 단계 분류의 일반화 정도는 어떠한가?

주요 결과

N1	N2	N3	R	W
1657 (60%)	259 (9%)	9 (0%)	427 (15%)	410 (15%)
1534 (9%)	12858 (73%)	1263 (7%)	1257 (7%)	666 (4%)
9 (0%)	399 (7%)	5097 (91%)	1 (0%)	85 (2%)
1019 (13%)	643 (8%)	3 (0%)	5686 (74%)	360 (5%)
605 (18%)	171 (5%)	47 (1%)	175 (5%)	2382 (70%)

• 다섯 단계에서의 평균 F1-점수: 메트릭 및 폴드에 따라 약 79–81%.
• 단계별 평균 정확도 약 80–82%; 전체 정확도 약 74%.
• 가장 잘 식별된 단계는 N3로 약 90%의 정답률, REM과 N2는 각각 약 75% 내외, Wake는 약 70%의 정확도.
• 오분류는 N1과 W 간 또는 N1과 R 간에서 가장 흔했고, 다른 단계 간 혼동은 비교적 낮았다.
• CNN이 학습한 첫 번째 층 필터가 주파수 패턴(예: N3의 1–1.5 Hz와 12.5–14 Hz; N2의 13–14.5 Hz와 2–4 Hz)과 일치하는 AASM 지침과 해석 가능한 특징을 형성함을 시사.
• 다섯 폴드에서 학습된 필터는 고수준의 유사점을 보이며, 데이터 분할 간 학습 표현의 일관성을 시사.