[논문 리뷰] Automated Classification of Sleep Stages and EEG Artifacts in Mice with Deep Learning

Justus T. C. Schwabedal, Daniel Sippel외 2명|arXiv (Cornell University)|2018. 09. 22.

Sleep and Wakefulness Research참고 문헌 13인용 수 9

한 줄 요약

이 논문은 마우스의 EEG 및 EMG 신호를 4초 간격으로 엔드 투 엔드 학습하여 수면 단계 분류(각성, 비REM, REM)와 뇌파 아티팩트 감지를 자동화하는 딥러닝 모델을 제시한다. 전통적인 특징 엔지니어링 기반 방법에 비해 자동으로 구분 가능한 특징을 학습함으로써 높은 F1 스코어를 달성하고, 다중 기록 채널을 활용하여 뚜렷한 강건성 향상을 보였다.

ABSTRACT

Sleep scoring is a necessary and time-consuming task in sleep studies. In animal models (such as mice) or in humans, automating this tedious process promises to facilitate long-term studies and to promote sleep biology as a data-driven field. We introduce a deep neural network model that is able to predict different states of consciousness (Wake, Non-REM, REM) in mice from EEG and EMG recordings with excellent scoring results for out-of-sample data. Predictions are made on epochs of 4 seconds length, and epochs are classified as artifact-free or not. The model architecture draws on recent advances in deep learning and in convolutional neural networks research. In contrast to previous approaches towards automated sleep scoring, our model does not rely on manually defined features of the data but learns predictive features automatically. We expect deep learning models like ours to become widely applied in different fields, automating many repetitive cognitive tasks that were previously difficult to tackle.

연구 동기 및 목표

• 마우스 EEG/EMG 연구에서 수작업으로 수행되는 오랜 수면 평가 과정을 자동화하기 위해.
• 예측 표현을 엔드 투 엔드로 학습함으로써 수작업으로 만든 특징에 의존하지 않도록 하기 위해.
• 짧은 수면 전환을 포착하기 위해 고시간 해상도(4초 간격)의 수면 단계 분류를 가능하게 하기 위해.
• 다중 기록 채널을 활용하여 EEG 아티팩트에 대한 강건성을 향상시키기 위해.
• 대규모 기록 데이터의 스케일러블하고 데이터 기반의 분석을 가능하게 하여 장기적인 수면 연구를 지원하기 위해.

제안 방법

• 마우스의 4초 간격 EEG 및 EMG 신호에 대해 엔드 투 엔드로 훈련된 깊이 합성 신경망이 사용된다.
• 모델은 최대 세 개의 입력 채널(EEG1, EEG2, EMG)을 받아 각 수면 단계와 아티팩트 존재 여부의 확률을 예측한다.
• 주파수 대역이나 스펙트럼 특징 등의 사전 엔지니어링 없이 자동으로 특징 학습이 수행된다.
• 시계열 데이터에 대한 최근 CNN의 발전을 활용하며, 음성 및 자연어 처리에서 사용된 것과 유사한 아키텍처를 채택한다.
• 불균형 데이터(아티팩트가 없는 경우가 아티팩트가 포함된 경우보다 많음)를 보완하기 위해 클래스 균형 잡힌 샘플링을 이용하여 재표본 추출 방식으로 모델 훈련을 수행한다.
• 온라인 추론과 광범위한 접근성을 고려해 TensorFlow.js 기반 구현이 제공된다.

실험 결과

연구 질문

• RQ1 딥러닝 모델이 수작업으로 만든 특징에 의존하지 않고도 마우스에서 고정밀도 자동 수면 단계 분류를 달성할 수 있는가?
• RQ2 아티팩트 오염 조건 하에서 입력 기록 채널 수가 모델 성능에 어떻게 영향을 미치는가?
• RQ3 4초 간격의 분석 해상도가 마우스에서의 일시적인 수면 상태(예: 짧은 각성)를 효과적으로 포착할 수 있는가?
• RQ4 아티팩트가 없는 데이터와 아티팩트가 포함된 데이터 간의 데이터 불균형이 모델 일반화에 어느 정도 영향을 미치는가?
• RQ5 전이 학습을 통해 최소한의 재훈련으로 새로운 마우스 품종이나 전극 배치에 모델을 적응시킬 수 있는가?

주요 결과

• 모델은 아웃오브샘플, 아티팩트가 없는 데이터에서 높은 F1 스코어를 기록하여 강력한 일반화 성능을 보였다.
• 단일 입력 채널을 사용할 경우, 27.5%의 REM 간격이 각성으로 잘못 분류되어 입력이 제한된 경우의 취약성을 드러냈다.
• 입력 채널 수를 늘일수록 아티팩트 오염된 데이터에서 예측의 강건성이 크게 향상되어 잘못 분류되는 경우가 감소했다.
• 적은 수의 채널로도 아티팩트가 없는 데이터에서 높은 성능을 유지하여, 최소한의 입력으로도 강력한 특징 학습이 가능함을 시사했다.
• 아티팩트 오염된 데이터에서의 성능은 깨끗한 데이터에서의 성능보다 낮았는데, 이는 훈련 세트의 클래스 불균형 때문일 가능성이 높다.
• 저자들은 더 크고 균형 잡힌 데이터셋이 아티팩트가 포함된 기록에서의 성능 향상에 기여할 것으로 기대한다.