[논문 리뷰] Sequence-based Sleep Stage Classification using Conditional Neural Fields

Intan Nurma Yulita, Mohamad Ivan Fanany외 1명|arXiv (Cornell University)|2016. 10. 06.

EEG and Brain-Computer Interfaces참고 문헌 23인용 수 3

한 줄 요약

이 논문은 조건부 신경장(Conditional Neural Fields, CNF)을 사용한 시퀀스 기반 수면 단계 분류 프레임워크를 제안하며, 딥 베이지언 네트워크(Deep Belief Networks, DBN)와 퍼지 C-균치(Fuzzy C-Means, FCM)를 특징 추출기로 활용한다. 비공개 데이터셋에서 DBN-CNF는 중간 수준의 학습 시간 동안 99.96%의 정확도를 기록하여 CRF 및 기타 변형보다 뛰어난 성능을 보였으며, FCM-CNF는 동일한 데이터에서 정확도(82.7%)와 속도 사이에 뛰어난 균형을 이룩하여 수면 단계 분류에 대한 시퀀스 모델링 및 특징 추출 전략의 타당성을 입증한다.

ABSTRACT

Sleep signals from a polysomnographic database are sequences in nature. Commonly employed analysis and classification methods, however, ignored this fact and treated the sleep signals as non-sequence data. Treating the sleep signals as sequences, this paper compared two powerful unsupervised feature extractors and three sequence-based classifiers regarding accuracy and computational (training and testing) time after 10-folds cross-validation. The compared feature extractors are Deep Belief Networks (DBN) and Fuzzy C-Means (FCM) clustering. Whereas the compared sequence-based classifiers are Hidden Markov Models (HMM), Conditional Random Fields (CRF) and its variants, i.e., Hidden-state CRF (HCRF) and Latent-Dynamic CRF (LDCRF); and Conditional Neural Fields (CNF) and its variant (LDCNF). In this study, we use two datasets. The first dataset is an open (public) polysomnographic dataset downloadable from the Internet, while the second dataset is our polysomnographic dataset (also available for download). For the first dataset, the combination of FCM and CNF gives the highest accuracy (96.75\%) with relatively short training time (0.33 hours). For the second dataset, the combination of DBN and CRF gives the accuracy of 99.96\% but with 1.02 hours training time, whereas the combination of DBN and CNF gives slightly less accuracy (99.69\%) but also less computation time (0.89 hours).

연구 동기 및 목표

• 기존 분류 방법에서 수면 신호를 비순서적 데이터로 취급하는 데서 비롯되는 한계를 해결하기 위해.
• 수면 단계 분류에 있어 조건부 신경장(CNF) 및 그 변형을 활용한 시퀀스 모델링의 효과성을 평가하기 위해.
• 순서적 수면 신호 분류의 맥락에서 DBN과 FCM를 비지도 특징 추출기로 비교하기 위해.
• 다양한 모델과 데이터셋 간에 분류 정확도와 계산 효율성(학습/테스트 시간) 사이의 상호 상충 관계를 평가하기 위해.

제안 방법

• 공개(St. Vincent’s) 및 비공개(Mitra Keluarga Kemayoran) 두 개의 다중수면도 데이터셋을 사용하여 수면 단계 5개: 각성, S1, S2, SWS/S3, REM을 대상으로 하였다.
• 도메인 특화 패턴을 유지하기 위해 EEG, EOG, EMG 신호에서 수작업으로 특징을 추출하였다.
• 딥 베이지언 네트워크(Deep Belief Networks, DBN)와 퍼지 C-균치(Fuzzy C-Means, FCM) 클러스터링을 비지도 특징 추출기로 적용하여 고차원 표현을 생성하였다.
• 시퀀스 기반 분류기 평가: 은닉 마르코프 모델(HMM), 조건부 무작위 장(CRF), HCRF, LDCRF, 그리고 그들의 신경망 변형인 조건부 신경장(CNF) 및 LDCNF.
• 모든 구성에 대해 정확한 성능 추정을 확보하기 위해 10겹 교차검증을 실시하였다.
• 정확도를 극대화하고 계산 시간을 최소화하기 위해 클러스터 수(g), 흐릿함 정도(w), 네트워크 깊이 등의 초모수를 최적화하였다.

실험 결과

연구 질문

• RQ1 CNF를 사용해 수면 신호를 시퀀스로 모델링할 경우, 비순서적 방법에 비해 분류 정확도가 향상되는가?
• RQ2 수면 단계 분류에서 DBN과 FCM는 정확도와 계산 효율성 측면에서 어떻게 비교되는가?
• RQ3 특징 추출기와 시퀀스 분류기의 조합 중에서 정확도와 학습/테스트 시간 사이의 최적 균형을 이루는 조합은 무엇인가?
• RQ4 DBN 기반 모델이 효과적이지 않은 경우에도 FCM-CNF의 성능은 다양한 데이터셋에 대해 강건한가?

주요 결과

• St. Vincent’s 데이터셋에서 FCM-CNF 조합은 가장 높은 정확도(96.75%)를 기록했으며, 학습 시간이 가장 짧아(0.33시간) 모든 다른 구성보다 뛰어났다.
• Mitra Keluarga Kemayoran 데이터셋에서는 DBN-CRF가 가장 높은 정확도(99.96%)를 기록했지만 학습 시간이 1.02시간 소요되었으며, DBN-CNF는 0.89시간 내에 99.69%의 정확도를 달성하여 성능과 효율성 사이에 뛰어난 균형을 이룩했다.
• 비공개 데이터셋에서 FCM-CNF는 평균 정확도 82.7%와 평균 계산 시간 0.34시간을 기록하여 딥 러닝 기반 추출기 대비 빠르고 효과적인 대안으로서의 타당성을 입증했다.
• 두 데이터셋 모두에서 CNF 모델은 CRF, HCRF, LDCRF, LDCNF보다 정확도와 계산 효율성 측면에서 끊임없이 뛰어났다.
• 비공개 데이터셋에서는 DBN이 FCM보다 우수한 특징 추출기로 확인되었지만, FCM는 공개 데이터셋에서도 뛰어난 성능을 보여, 효과가 데이터에 따라 달라질 수 있음을 시사했다.
• 본 연구는 CNF를 사용해 수면 신호를 시퀀스로 취급함으로써 분류 성능이 크게 향상되며, 특히 DBN와 같은 효과적인 특징 추출기와 조합할 경우 더욱 뚜렷한 향상이 이루어진다는 점을 확인했다.