[論文レビュー] LSTM knowledge transfer for HRV-based sleep staging

Mustafa Radha, Pedro Fonseca+4 more|arXiv (Cornell University)|Sep 12, 2018

Heart Rate Variability and Autonomic Control参考文献 33被引用数 6

ひとこと要約

本論文は、大規模な心電図データセット（Cohenのκ = 0.61±0.16）において、従来の非時系列的およびマルコフ型手法を上回るHRVに基づく睡眠ステージ分類のためのLSTMベースの深層学習モデルを提案する。さらに、心電図から脈波計測（PPG）データへの知識の転送に成功し、より小さなPPGデータセットでも最先端の性能を達成した（κ = 0.63±0.13）。これは、センサーモダリティやアノテーション基準の違いを考慮したモデルの適応において、知識転送の有効性を示している。

ABSTRACT

Automated sleep stage classification using heart-rate variability is an active field of research. In this work limitations of the current state-of-the-art are addressed through the use of deep learning techniques and their efficacy is demonstrated. First, a temporal model is proposed for the inference of sleep stages from electrocardiography using a deep long- and short-term (LSTM) classifier and it is shown that this model outperforms previous approaches which were often limited to non-temporal or Markovian classifiers on a comprehensive benchmark data set (292 participants, 541214 samples) comprising a wide range of ages and pathological profiles, achieving a Cohen's $κ$ of $0.61\pm0.16$ and accuracy of $76.30\pm10.17$ annotated according to the Rechtschaffen & Kales annotation standard. Subsequently, it is demonstrated how knowledge learned on this large benchmark data set can be re-used through transfer learning for the classification of photoplethysmography (PPG) data. This is done using a smaller data set (60 participants, 91479 samples) that is annotated with the more recent American Association of Sleep Medicine annotation standard, achieving a Cohen's $κ$ of $0.63\pm0.13$ and accuracy of $74.65\pm8.63$ for wrist-mounted PPG-based sleep stage classification, higher than any previously reported performance using this sensor modality. This demonstrates the feasibility of knowledge transfer in sleep staging to adapt models for new sensor modalities as well as different annotation strategies.

研究の動機と目的

• HRVにおける時系列的ダイナミクスを効果的に捉える深層学習モデルの開発を目的とし、非時系列的またはマルコフ型モデルと比較して睡眠ステージ分類の精度を向上させること。
• PPGデータの限界を補うために、大規模で多様な心電図データセットから得た知識を、より小さなPPGデータセットの性能向上に活用すること。
• 心電図で訓練されたモデルが、信号品質や脈波伝達時間のばらつきの違いがあるにもかかわらず、PPGデータに効果的に適応できるかどうかを検証すること。
• 知識転送が、より最近のAASM睡眠ステージ基準への適応に与える影響を評価すること。特に、AASM基準では評価者間一致度が向上しているため。
• 知識転送による性能向上が、主にAASM基準への適応によるものか、それとも心電図からPPGへのモダリティ固有の知識転送によるものかを特定すること。

提案手法

• 30秒のHRVエポックにおける時系列的依存性をモデル化するために、深層長短期記憶（LSTM）ネットワークをコア分類器として使用する。
• モデルは、まず、R&K基準でアノテートされた大規模な心電図データセット（292名、541,214サンプル）で事前学習を行い、一般的な睡眠ステージパターンを学習する。
• 知識転送は、AASM基準でアノテートされたより小さなPPGデータセット（60名、91,479サンプル）で事前学習済みLSTMを微調整することで実施する。
• 複数の転送戦略を評価する：ドメイン適応（特徴層のみの転送）、意思決定層適応、およびフルモデルの微調整。
• HRV特徴量（心電図およびPPG信号から抽出）を用いて、4つの睡眠ステージ（覚醒（W）、N1/2、N3、REM）を予測するようにモデルを訓練する。
• 性能はCohenの加重カッパ（\kappa）および正答率を用いて評価され、HRVベースの睡眠ステージ分類における従来の最先端手法と比較される。

実験結果

リサーチクエスチョン

• RQ1 LSTMベースのモデルは、心電図データを用いたHRVベースの睡眠ステージ分類において、非時系列的またはマルコフ型分類器を上回ることができるか？
• RQ2 大規模な心電図データセットから得た知識を、より小さな低品質のPPGデータセットの睡眠ステージ分類性能向上に効果的に転送できるか？
• RQ3 知識転送が性能向上に与える影響は、AASMアノテーション基準への適応によるものか、それとも心電図からPPGへのモダリティ固有のHRVパターン転送によるものか、どちらが主因か？
• RQ4 深層学習モデルのどのコンponent（例：ドメイン層、意思決定層）が、PPGデータへの成功した転送において最も重要か？
• RQ5 知識転送による性能向上は、主にAASM基準における評価者間一致度の向上によるものか、それともモダリティ固有の適応によるものか？

主な発見

• 提案されたLSTMモデルは、Siesta心電図データセットでCohenの加重カッパ0.61±0.16、正答率76.30±10.17を達成し、従来の非時系列的およびマルコフ型モデルを上回った。
• 知識転送後、モデルはPPGデータセットでCohenの加重カッパ0.63±0.13、正答率74.65±8.63を達成し、PPGベースの睡眠ステージ分類におけるこれまで報告されたすべての結果を上回った。
• PPGデータにおける性能向上は、類似したセンサーモダリティおよび追加の加速度計を用いた研究と比較して顕著に高く、それらの研究ではカッパが0.42および0.52であった。
• PPGへの転送において、意思決定層の微調整が最適な性能を達成するために不可欠であった。これは、モダリティの違いを補うにはドメイン適応だけでは不十分であることを示している。
• 性能向上は、主にAASM基準への適応によるものと考えられる。AASM基準はR&K基準よりも評価者間一致度が高いためであるが、この要因の正確な寄与度はまだ完全に特定されていない。
• 知識転送を経たモデルのPPGデータセットにおける性能は、PPGデータのみで直接訓練されたベースラインLSTM（\kappa = 0.55）よりも高かった。これは、限られたターゲットデータでも知識転送の価値が示されていることを裏付けている。