[논문 리뷰] ULW-SleepNet: An Ultra-Lightweight Network for Multimodal Sleep Stage Scoring

Zhaowen Wang, Dongdong Zhou외 4명|arXiv (Cornell University)|2026. 02. 27.

EEG and Brain-Computer Interfaces인용 수 0

한 줄 요약

ULW-SleepNet는 Dual-Stream Separable Convolution (DSSC) 블록을 사용한 초경량 다중 모달 수면 단계 채점 프레임워크로 Sleep-EDF 데이터셋에서 매개변수와 FLOPs를 대폭 줄이면서 경쟁력 있는 정확도를 달성합니다.

ABSTRACT

Automatic sleep stage scoring is crucial for the diagnosis and treatment of sleep disorders. Although deep learning models have advanced the field, many existing models are computationally demanding and designed for single-channel electroencephalography (EEG), limiting their practicality for multimodal polysomnography (PSG) data. To overcome this, we propose ULW-SleepNet, an ultra-lightweight multimodal sleep stage scoring framework that efficiently integrates information from multiple physiological signals. ULW-SleepNet incorporates a novel Dual-Stream Separable Convolution (DSSC) Block, depthwise separable convolutions, channel-wise parameter sharing, and global average pooling to reduce computational overhead while maintaining competitive accuracy. Evaluated on the Sleep-EDF-20 and Sleep-EDF-78 datasets, ULW-SleepNet achieves accuracies of 86.9% and 81.4%, respectively, with only 13.3K parameters and 7.89M FLOPs. Compared to state-of-the-art methods, our model reduces parameters by up to 98.6% with only marginal performance loss, demonstrating its strong potential for real-time sleep monitoring on wearable and IoT devices. The source code for this study is publicly available at https://github.com/wzw999/ULW-SLEEPNET.

연구 동기 및 목표

• 다중 모달 폴리소노그래피 데이터에 대한 자동 수면 단계 점수화를 촉진하여 웨어러블/임베디드 배치를 지원합니다.
• 다수 입력 채널에 걸쳐 매개변수 증가 없이 확장되는 초경량 아키텍처를 개발합니다.
• 일시적 이벤트와 장기 시간적 특징을 효율적으로 포착하는 Dual-Stream Separable Convolution (DSSC) Block를 도입합니다.
• 정확도를 유지하면서 depthwise separable convolutions, 채널별 매개변수 공유, 전역 평균 풀링으로 계산 오버헤드를 감소시킵니다.]
• method:[

제안 방법

• DSSC Blocks를 기반으로 공유 채널별 특징 추출기로 다채널 신호(EEG, EOG, EMG)를 처리합니다.
• 매개변수 및 계산을 최소화하기 위해 depthwise separable convolutions를 사용합니다.
• 여러 채널을 효율적으로 처리하기 위해 매개변수 공유를 통한 채널별 처리를 구현합니다.
• 계층적 시간 특징 학습을 위한 잔차 유사 DSSC Block 아키텍처를 도입합니다.
• 밀집층을 대체하고 매개변수를 약 90% 감소시키기 위해 전역 평균 풀링을 적용합니다.]
• research_questions:[

Fig. 1 : An overview of the ULW-SleepNet architecture. Multimodal physiological input signals (i.e., EEG, EOG, EMG) are processed through a shared channel-wise feature extraction pipeline based on the Dual-Stream Separable Convolutional Block.

실험 결과

연구 질문

• RQ1 초경량 다중 모달 네트워크가 표준 PSG 데이터셋에서 경쟁력 있는 수면 단계 채점 성능을 달성할 수 있는가?
• RQ2 깊은 분리 가능한 컨볼루션(depthwise separable convolutions), 채널별 매개변수 공유, DSSC Block가 다중 모달 수면 분류의 정확도와 효율성에 어떤 영향을 미치는가?
• RQ3 Sleep-EDF-20와 Sleep-EDF-78 간 모델 크기(매개변수)와 성능 사이의 트레이드오프는 무엇인가?
• RQ4 정확도 손실 없이 웨어러블/임베디드 하드웨어에서 실시간 배치를 위한가?

주요 결과

• ULW-SleepNet은 Sleep-EDF-20에서 86.9% ACC, Sleep-EDF-78에서 81.4% ACC를 달성하였으며 매개변수 13.3K, FLOPs 7.89M에 불과합니다.
• 매개변수 공유를 통한 채널별 처리는 단일 모달리티를 사용할 때보다 ACC를 향상시킵니다.
• 이 아키텍처에서 Depthwise Separable convolutions는 표준 컨볼루션보다 성능이 우수하며 FLOPs를 감소시키고 ACC를 올립니다.
• Wake 스테이지에서 Sleep-EDF-78의 F1 성능이 강력하며(F1 = 93.0%), 최신 모델에 비해 작은 풋프린트를 유지합니다.
• TinySleepNet 및 LWSleepNet과 비교하여 ULW-SleepNet은 최대 98.6% 적은 매개변수를 사용하고 FLOPs도 크게 감소(최대 85.7%)하며 정확도 손실은 미미합니다.