[논문 리뷰] Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage Classification with Model Interpretability

Shivam Sharma, Suvadeep Maiti외 3명|arXiv (Cornell University)|2023. 09. 10.

EEG and Brain-Computer InterfacesNeuroscience인용 수 3

한 줄 요약

이 논문은 단일 채널 EEG 기반 수면 단계 분류를 위한 새로운 엔드 투 엔드 딥 러닝 모델을 제안한다. 이 모델은 공간적 및 시간적 특징을 포착하기 위해 압축-흥장 잔차망(Squeeze-and-Excitation Residual Networks, SE-ResNet)과 스택드 Bi-LSTM 레이어를 통합한다. 1D-GradCAM을 사용한 첫 번째 해석 가능한 딥 러닝 접근법을 도입하여 전문가 애너테이션과 높은 일치도를 달성했으며, SleepEDF-20, SleepEDF-78, SHHS 데이터셋에서 각각 82.5, 78.9, 81.9의 매크로-F1 스코어를 기록했다. 또한 컨볼루션 레이어의 스트라이드를 증가시켜 학습 속도를 8배로 향상시켰다.

ABSTRACT

Automated Sleep stage classification using raw single channel EEG is a critical tool for sleep quality assessment and disorder diagnosis. However, modelling the complexity and variability inherent in this signal is a challenging task, limiting their practicality and effectiveness in clinical settings. To mitigate these challenges, this study presents an end-to-end deep learning (DL) model which integrates squeeze and excitation blocks within the residual network to extract features and stacked Bi-LSTM to understand complex temporal dependencies. A distinctive aspect of this study is the adaptation of GradCam for sleep staging, marking the first instance of an explainable DL model in this domain with alignment of its decision-making with sleep expert's insights. We evaluated our model on the publically available datasets (SleepEDF-20, SleepEDF-78, and SHHS), achieving Macro-F1 scores of 82.5, 78.9, and 81.9, respectively. Additionally, a novel training efficiency enhancement strategy was implemented by increasing stride size, leading to 8x faster training times with minimal impact on performance. Comparative analyses underscore our model outperforms all existing baselines, indicating its potential for clinical usage.

연구 동기 및 목표

• 정확한 수면 단계 분류를 위해 단일 채널 EEG 신호의 높은 변동성과 복잡성에 도전한다.
• 자동 수면 스테이지 분류에서 모델의 해석 가능성 향상을 통해 임상적 도입과 신뢰를 지원한다.
• 성능 저하 없이 계산 비용을 줄이기 위해 데이터 효율적인 학습 전략을 개발한다.
• 기존 최신 기술 수준의 방법들을 능가하는 성능을 보이며 자동 수면 스테이지 분류의 기준을 설정한다.

제안 방법

• 채널 기반 주의 기반 특징 추출을 위한 SE-ResNet과 EEG 시퀀스의 장거리 시간적 의존성을 모델링하기 위한 스택드 Bi-LSTM을 조합한 하이브리드 아키텍처를 사용한다.
• 1D-GradCAM을 적응시켜 모델의 분류 결정에 영향을 주는 EEG 신호 세그먼트를 시각화하는 클래스 활성화 맵을 생성한다.
• 컨볼루션 레이어의 스트라이드 크기를 증가시켜 계산량을 줄이고 성능 저하를 최소화함으로써 학습 효율성을 향상시킨다.
• 표준 30초 에포크 기반 평가 방식을 사용하여 공개 데이터셋(SleepEDF-20, SleepEDF-78, SHHS)을 학습 및 평가에 활용한다.
• 동일한 EEG 윈도우를 사용하여 수면 전문가와의 블라인드 검증을 실시하여 모델의 주의 영역과 전문가가 애너테이션한 미세 구조를 비교한다.
• AASM 및 R&K 스코링 가이드라인을 활용하여 데이터 레이블링 및 평가에서 임상 기준과의 일치도를 확보한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 해석 가능성 유지 조건에서 단일 채널 EEG 수면 스테이지 분류에서 최신 기술 수준의 성능를 달성할 수 있는가?
• RQ2 1D-GradCAM로 시각화된 모델의 주의 영역이 수면 전문가가 식별한 임상적으로 관련성이 있는 EEG 미세 구조와 얼마나 일치하는가?
• RQ3 증가된 스트라이드를 통한 제안된 학습 효율 전략이 성능 저하 없이 학습 시간을 얼마나 효과적으로 줄이는가?
• RQ4 압축-흥장 블록을 잔차망과 통합함으로써 EEG 수면 스테이지 분류에서 특징 표현을 향상시킬 수 있는가?
• RQ5 SleepEDF-20, SleepEDF-78, SHHS와 같은 다양한 공개 데이터셋에 대해 모델이 잘 일반화되는가?

주요 결과

• 모델은 SleepEDF-20에서 매크로-F1 스코어 82.5, SleepEDF-78에서 78.9, SHHS에서 81.9를 기록하여 기존 최신 기술 수준의 방법들을 능가했다.
• 1D-GradCAM 시각화 결과는 전문가가 식별한 EEG 미세 구조(예: 알파 파형, 수면 스파이널, K-복합체, 델타 파형 등)와 강한 일치도를 보였다.
• 모델은 N2에서 K-복합체, N3에서 델타 파형과 같은 핵심 마커를 성공적으로 탐지하여 진단적으로 관련성이 있는 특징에 집중할 수 있음을 확인했다.
• 스트라이드 크기를 증가시킨 학습 효율 향상 전략으로 인해 학습 시간이 8배 감소했으며 성능 저하가 거의 없었다.
• 수면 전문가와의 블라인드 검증 결과, 모델의 주의 영역이 수동 스코링 시 전문가가 우선시하는 신호 세그먼트와 매우 유사하게 일치했다.
• SE-ResNet과 스택드 Bi-LSTM의 통합은 특징 추출 및 시간적 모델링을 크게 향상시켜 뛰어난 분류 정확도를 기여했다.