[논문 리뷰] Real-Time Sleep Staging using Deep Learning on a Smartphone for a Wearable EEG

Abhay Koushik, Judith Amores외 1명|arXiv (Cornell University)|2018. 11. 25.

EEG and Brain-Computer Interfaces인용 수 8

한 줄 요약

이 논문은 스마트폰과 단일 채널 웨어러블 뇌전도 측정기(EEG)를 사용하여 실시간, 현장에서의 수면 단계 분류 시스템을 처음으로 제안한다. 시간 분산 1차원 합성곱 신경망(TD-1D-CNN)과 Z-스코어 校정을 활용하여 기기 및 환자에 관계없이 추론이 가능하게 하였다. Sleep-EDF 데이터셋을 사용하여 30초 단위의 에포크로 5단계 수면 단계 분류(각성, N1, N2, N3, REM)에서 83.5%의 정확도를 달성하였으며, 이는 서버 없이 스마트폰에서 이식 가능하고 실시간으로 수면을 모니터링할 수 있음을 의미한다.

ABSTRACT

We present the first real-time sleep staging system that uses deep learning without the need for servers in a smartphone application for a wearable EEG. We employ real-time adaptation of a single channel Electroencephalography (EEG) to infer from a Time-Distributed 1-D Deep Convolutional Neural Network. Polysomnography (PSG)-the gold standard for sleep staging, requires a human scorer and is both complex and resource-intensive. Our work demonstrates an end-to-end on-smartphone pipeline that can infer sleep stages in just single 30-second epochs, with an overall accuracy of 83.5% on 20-fold cross validation for five-class classification of sleep stages using the open Sleep-EDF dataset.

연구 동기 및 목표

• 병원 기반 다단계 수면검사(PSG)와 서버 기반 처리를 제거하는 실시간, 현장에서의 수면 단계 분류 시스템 개발.
• 스마트폰에서 웨어러블 기기의 단일 채널 EEG만을 사용하여 정확하고 이식 가능하며 사용자 친화적인 수면 단계 분류 실현.
• 기존 시스템의 한계를 극복하기 위해 경량의 현장 내 딥러닝 모델을 활용해 실시간 30초 에포크 분류를 높은 정확도로 수행.
• 각성 단계의 표준편차를 활용한 Z-스코어 校정을 통해 다양한 EEG 기기와 환자 간에 모델의 강건성을 확보.

제안 방법

• 시스템은 실시간으로 단일 30초 EEG 에포크를 분류하기 위해 시간 분산 1차원 합성곱 신경망(TD-1D-CNN)을 사용한다.
• AF7 채널에서 얻은 원시 EEG 신호는 100Hz로 저역통과 처리되며, 평균, 표준편차, 최소-최대-거리(Min-Max-Distance, MMD) 등의 통계적 특징을 매 30초마다 처리한다.
• 다양한 기기와 환자 간에 신호를 정규화하기 위해 각성 단계의 표준편차를 기반으로 Z-스코어 校정을 적용하여 기기 및 환자 독립적인 추론을 보장한다.
• 모델은 개방형 Sleep-EDF 데이터셋을 대상으로 20겹 교차검증을 수행하며, 상호정보량을 활용해 기능 중요도를 분석하고 핵심 통계적 특징을 우선순위 정렬한다.
• TensorFlow Lite 기반 안드로이드 애플리케이션은 블루투스 저전력(BLE)을 통해 웨어러블 Muse 헤드밴드로부터 EEG 데이터를 스트리밍하고, 신뢰도 점수와 함께 실시간 수면 단계 예측 결과를 시각화한다.
• 실시간 REM 탐지 및 각성기 동안 시뮬레이션된 눈 깜빡임, 턱 씰수, 눈동자 움직임을 통한 검증을 통해 신호 반응성과 신뢰성을 확인한다.

실험 결과

연구 질문

• RQ1 단일 채널 웨어러블 EEG와 경량 딥러닝 모델을 조합하여 서버 의존 없이 실시간, 현장에서의 수면 단계 분류가 가능한가?
• RQ2 스마트폰에서 단일 30초 EEG 에포크만을 사용하여 1D-CNN 기반 모델이 5단계 수면 단계(Wake, N1, N2, N3, REM)를 얼마나 정확하게 분류할 수 있는가?
• RQ3 각성 단계의 표준편차를 활용한 Z-스코어 校정이 다양한 EEG 기기와 개인 간의 모델 일반화 능력을 얼마나 향상시킬 수 있는가?
• RQ4 이 현장 내 시스템의 성능은 인간 전문가의 평가 기준과 비교해 상호 평가자 간 일致도와 분류 정확도 측면에서 어떻게 평가되는가?

주요 결과

• Sleep-EDF 데이터셋을 사용한 20겹 교차검증에서 5단계 수면 단계 분류에 대해 총 정확도 83.5%를 달성하였다.
• 독립적 테스트 야간에서 정확도는 최저 72%에서 최고 81.72%까지 변동하였으며, F1 점수는 76.23%, 마이크로 평균 F1 점수는 0.82였다.
• N1 단계가 가장 낮은 성능를 보였으며(정밀도 0.47, 재현율 0.42, F1 0.44), 주로 신뢰할 수 있는 검출을 위한 후두부 전극의 부재로 인한 것이다.
• EEG 신호의 표준편차가 가장 중요한 통계적 특징으로 밝혀졌으며, 평균 기여도는 53.33%로, Z-스코어 校정에 이 특징을 활용하는 것이 타당함을 입증하였다.
• 실시간 REM 탐지 및 각성기 동안 눈동자 움직임, 턱 씰수, 깜빡임 시뮬레이션을 통해 시스템의 반응성과 신뢰성이 동적 조건에서도 확인되었다.
• 혼동 행렬과 수면도 비교 분석 결과, 특히 N2 및 N3 단계에서 실제값과 강한 일치를 보였으며, 비REM 단계에 대한 강력한 성능을 입증하였다.