[논문 리뷰] U-Time: A Fully Convolutional Network for Time Series Segmentation Applied to Sleep Staging

Mathias Perslev, Michael Hejselbak Jensen외 3명|arXiv (Cornell University)|2019. 10. 24.

EEG and Brain-Computer Interfaces참고 문헌 36인용 수 130

한 줄 요약

U-Time은 시간 시계열 분할을 위한 완전 합성곱 인코더-디코더(U-Net 스타일)를 도입하여, 작업특정 조정 없이 다양한 EEG 데이터셋에서 수면 단계 분류를 달성하고 종종 CNN-LSTM 베이스라인을 능가합니다.

ABSTRACT

Neural networks are becoming more and more popular for the analysis of physiological time-series. The most successful deep learning systems in this domain combine convolutional and recurrent layers to extract useful features to model temporal relations. Unfortunately, these recurrent models are difficult to tune and optimize. In our experience, they often require task-specific modifications, which makes them challenging to use for non-experts. We propose U-Time, a fully feed-forward deep learning approach to physiological time series segmentation developed for the analysis of sleep data. U-Time is a temporal fully convolutional network based on the U-Net architecture that was originally proposed for image segmentation. U-Time maps sequential inputs of arbitrary length to sequences of class labels on a freely chosen temporal scale. This is done by implicitly classifying every individual time-point of the input signal and aggregating these classifications over fixed intervals to form the final predictions. We evaluated U-Time for sleep stage classification on a large collection of sleep electroencephalography (EEG) datasets. In all cases, we found that U-Time reaches or outperforms current state-of-the-art deep learning models while being much more robust in the training process and without requiring architecture or hyperparameter adaptation across tasks.

연구 동기 및 목표

• 생리 신호의 반복 신경망 없이 강건하고 플러그-앤-플레이 가능한 시계열 분할 모델을 Motivating한다.
• 1D 시계열인 EEG/PSG에 특화된 완전 피드포워드 인코더–디코더(U-네트)인 U-Time을 제안한다.
• 단일 고정 아키텍처가 다수의 수면 연구 데이터셋에 일반화될 수 있음을 입증한다.
• 모델이 시간당 밀도 높은 분류를 고정 간격 수면 단계로 집계하여 아키텍처 변경 없이도 가능하다는 것을 보인다.
• CNN-LSTM 베이스라인 및 기존 방법과 비교하여 성능과 강건성의 이점을 확립한다.

제안 방법

• 수면 시계열 분할을 위한 U-Net에서 영감을 받은 완전 합성곱 1D 인코더–디코더 네트워크를 개발한다.
• 전체 시퀀스를 단일 순전파로 처리하여 샘플 단위의 밀도 있는 클래스 점수를 출력한다.
• 고정 간격으로 밀도 점수를 집계해 최종 수면 단계 예측을 생성하는 세그먼트 분류기를 사용한다.
• 큰 수용영역을 달성하기 위해 네 개의 인코더 블록과 확실한 다운샘플링을 사용한다.
• 시간 해상도를 회복하기 위해 스킵 연결이 있는 네 개의 디코더 블록과 전치 합성곱을 사용한다.
• 일반화된 다이스 손실과 피험자별 교차 검증 방식으로 학습한다.

실험 결과

연구 질문

• RQ1 완전 합성곱, 피드포워드 아키텍처가 각 데이터세트에 대한 아키텍처나 하이퍼파라미터 조정 없이 최첨단 수면 분류를 달성할 수 있는가?
• RQ2 단일 고정 아키텍처를 사용할 때, 다양한 EEG 수면 데이터셋(건강 및 질환)에 대해 U-Time은 CNN–LSTM 베이스라인 및 발표된 방법과 비교하여 어떠한 성능을 보이는가?
• RQ3 모델이 데이터셋 간에 표준 30초 레이블로 집계할 수 있는 고해상도 per-time-point 수면 단계 점수를 제공하는가?

주요 결과

• U-Time은 일곱 개의 수면 EEG 데이터셋에서 최첨단 방법과 동등하거나 우수한 성능을 달성한다.
• 데이터셋 전반에서 고정된 아키텍처와 하이퍼파라미터로 CNN–LSTM 베이스라인과 일치하거나 능가한다.
• U-Time은 데이터셋 변동성에 대해 견고하며 작업 특이적 아키텍처 조정이 필요하지 않다.
• 단일 채널 EEG 입력으로도 경쟁력 있는 결과를 얻을 수 있으며, 다채널 입력(예: EOG 포함)은 REM 분류를 일부 경우에서 개선한다.
• 모델은 30초 수면 단계로 집계 가능한 밀도 있는 시간 포인트 점수를 출력하여 추론 시 유연한 시간 해상도를 가능하게 한다.
• U-Time은 계산적으로 효율적이며 실제로 전체 PSG를 빠르게 채점할 수 있다.