[논문 리뷰] MSSC-BiMamba: Multimodal Sleep Stage Classification and Early Diagnosis of Sleep Disorders with Bidirectional Mamba

Chao Zhanga, Weirong Cuia외 1명|arXiv (Cornell University)|2024. 05. 30.

Restless Legs Syndrome Research인용 수 4

한 줄 요약

이 논문은 다중모달 심박수 신호 데이터를 사용한 수면 단계 분류 및 수면 장애의 조기 진단을 위한 새로운 다중모달 딥러닝 모델인 MSSC-BiMamba를 제안한다. 이 모델은 효율적 채널 주의(Effective Channel Attention, ECA)와 이중방향 상태공간모델(BiMamba)을 결합하여 수면 건강 예측에서 95.2%의 정확도를 달성하였으며, 기존 트랜스포머 기반 모델 대비 뛰어난 계산 효율성과 일반화 능력을 보였다.

ABSTRACT

Monitoring sleep states is essential for evaluating sleep quality and diagnosing sleep disorders. Traditional manual staging is time-consuming and prone to subjective bias, often resulting in inconsistent outcomes. Here, we developed an automated model for sleep staging and disorder classification to enhance diagnostic accuracy and efficiency. Considering the characteristics of polysomnography (PSG) multi-lead sleep monitoring, we designed a multimodal sleep state classification model, MSSC-BiMamba, that combines an Efficient Channel Attention (ECA) mechanism with a Bidirectional State Space Model (BSSM). The ECA module allows for weighting data from different sensor channels, thereby amplifying the influence of diverse sensor inputs. Additionally, the implementation of bidirectional Mamba (BiMamba) enables the model to effectively capture the multidimensional features and long-range dependencies of PSG data. The developed model demonstrated impressive performance on sleep stage classification tasks on both the ISRUC-S3 and ISRUC-S1 datasets, respectively containing data with healthy and unhealthy sleep patterns. Also, the model exhibited a high accuracy for sleep health prediction when evaluated on a combined dataset consisting of ISRUC and Sleep-EDF. Our model, which can effectively handle diverse sleep conditions, is the first to apply BiMamba to sleep staging with multimodal PSG data, showing substantial gains in computational and memory efficiency over traditional Transformer-style models. This method enhances sleep health management by making monitoring more accessible and extending advanced healthcare through innovative technology.

연구 동기 및 목표

• 수면 단계 수작업 분류의 시간 소모성과 주관성 문제를 해결하기 위해 자동화되고 효율적이며 정확한 수면 단계 분류 시스템을 개발하는 것.
• 다중모달 수면유도검사(PSG) 데이터를 활용한 조기 진단을 통해 수면 장애 탐지 능력을 향상시키는 것.
• 기존 트랜스포머 기반 모델 대비 수면 단계 분류 작업에서 더 높은 계산 및 메모리 효율성을 확보하는 것.
• 복잡한 수면 신호의 동적 특성을 보다 잘 포착하기 위해 이중방향 장기적 시간적 모델링을 활용하는 것.
• 다양한 데이터셋(건강한 수면 패턴과 질환 있는 수면 패턴 포함) 간의 일반화 능력을 검증하는 것.

제안 방법

• 다양한 PSG 센서 채널의 기여도를 동적으로 가중치 부여하기 위해 효율적 채널 주의(ECA) 메커니즘을 통합하여 특징 표현을 향상시킨다.
• 이중방향 상태공간모델(BiMamba)을 적용하여 전방 및 후방 방향 모두에서 장기적 시간적 의존성을 포착함으로써 시퀀스 모델링 성능을 향상시킨다.
• 다중모달 PSG 데이터를 전용으로 설계하여 뇌파(EEG), 안구운동(EOG), 근전도(EMG) 및 기타 신호를 통합함으로써 분류의 강건성을 향상시킨다.
• 모델는 K-폴드 교차검증을 활용하여 ISRUC-S1, ISRUC-S3, Sleep-EDF153 데이터셋에서 훈련 및 평가되었으며, 일반화 능력을 평가하였다.
• 자기주의 기반의 어텐션 메커니즘을 Mamba의 상태공간 수식으로 대체함으로써 계산 비용을 감소시키면서도 높은 성능 유지.
• 표준 평가 지표인 정확도, F1 점수, 카파 계수를 사용하여 N1, N2, N3, REM 등 다양한 수면 단계에서 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 이중방향 Mamba 기반 아키텍처는 수면 단계 분류를 위한 다중모달 수면유도검사(PSG) 데이터에서 장기적 시간적 의존성을 효과적으로 모델링할 수 있는가?
• RQ2 효율적 채널 주의의 통합이 다양한 PSG 센서 채널 간 특징 표현을 어떻게 향상시키는가?
• RQ3 MSSC-BiMamba는 건강한 수면 패턴과 질환 있는 수면 패턴을 포함한 다양한 데이터셋 간에 얼마나 잘 일반화되는가?
• RQ4 모델는 계산 효율성을 유지하면서도 조기 수면 장애 진단에 대해 높은 진단 정확도를 달성할 수 있는가?
• RQ5 정확도, 추론 속도, 메모리 사용량 측면에서 기존 트랜스포머 기반 모델 대비 모델 성능은 어떻게 비교되는가?

주요 결과

• MSSC-BiMamba 모델은 Sleep-EDF153와 ISRUC의 병합 데이터셋에서 수면 건강 상태 예측에 총 정확도 0.952를 달성하여 조기 진단에 강력한 일반화 능력을 보였다.
• ISRUC-S3 데이터셋에서 모델은 총 정확도 0.857, F1 점수 0.851, 카파 계수 0.817을 기록하여 표준 수면 단계 분류 작업에서 뛰어난 성능을 보였다.
• ISRUC-S1(50)에서 훈련된 모델는 S1(50) 테스트 세트에서 0.852의 정확도를 달성하며 강력한 일반화 능력을 보였으며, S1(100) 및 S3 서브셋에서도 높은 성능를 유지하였다.
• 기존 트랜스포머 기반 모델 대비 뛰어난 계산 및 메모리 효율성을 보이며, 실시간 및 자원 제약이 있는 환경에 적합한 것으로 나타났다.
• 교차검증 결과는 모델의 안정성과 신뢰성을 확인하였으며, REM 단계를 포함한 모든 수면 단계에서 일관된 F1 점수(특히 S3에서 0.893)를 기록하였다.
• 훈련 세트 크기를 증가시킬수록 모델 성능 향상이 관찰되었으며, 9:1 분할에서 최고의 정확도 0.952를 기록하여 강력한 확장성 잠재력을 보였다.