[논문 리뷰] Sleep Staging by Modeling Sleep Stage Transitions using Deep CRF.

Karan Aggarwal, Swaraj Khadanga외 3명|arXiv (Cornell University)|2018. 07. 23.

Obstructive Sleep Apnea Research참고 문헌 41인용 수 2

한 줄 요약

이 논문은 유일하게 CPAP 유량 신호를 사용하여 수면 단계 전환을 모델링하는 엔드 투 엔드 딥 러닝 프레임워크를 제안한다. 컨볼루션-순환 네트워크를 활용해 특징을 추출하고, 시간적 동역학을 포착하기 위해 딥 조건부 랜덤 필드(CRF) 레이어를 통합한다. 기존 방법 대비 수면 단계 분류 정확도를 10% 향상시키며, CPAP 치료 모니터링을 위한 수면 효율성 및 단계 지표의 신뢰성 있는 추적을 가능하게 한다.

ABSTRACT

Sleep plays a vital role in human health, both mental and physical. Sleep disorders like sleep apnea are increasing in prevalence, with the rapid increase in factors like obesity. Sleep apnea is most commonly treated with Continuous Positive Air Pressure (CPAP) therapy, which maintains the appropriate pressure to ensure continuous airflow. It is widely accepted that in addition to preventing air passage collapse, increase in deep and REM sleep stages would be good metrics for how well the CPAP therapy is working in improving sleep health. Presently, however, there is no mechanism to easily detect a patient's sleep stages from CPAP flow data alone. We propose, for the first time, an automated sleep staging model based only on the flow signal. Recently deep neural networks have shown high accuracy on sleep staging by eliminating handcrafted features. However, these methods focus exclusively on extracting informative features from the input signal, without paying much attention to the dynamics of sleep stages in the output sequence. We propose an end-to-end framework that uses a deep convolution-recurrent neural networks to extract high-level features from raw flow signal and then uses a structured output layer based on a conditional random field to model the temporal transition structure of the sleep stages. We improve upon the previous methods by 10% using our model, that can be augmented to the previous sleep staging deep learning methods. We also show that our method can be used to accurately track sleep metrics like sleep efficiency calculated from sleep stages that can be deployed for monitoring the response of CPAP therapy on sleep apnea patients. Apart from the technical contributions, we expect this study to motivate new research questions in sleep science, especially towards the understanding of sleep architecture trajectory among patients under CPAP therapy.

연구 동기 및 목표

• 다른 수면학적 검사나 추가 센서 없이 유일하게 CPAP 유량 신호에 의존하는 자동 수면 단계 분류 시스템을 개발하는 것.
• 기존 딥 러닝 모델이 수면 단계 전환의 시간적 구조를 간과하는 한계를 해결하는 것.
• 구조적 예측을 통해 수면 단계의 순차적 동역학을 모델링하여 수면 단계 분류 정확도를 향상시키는 것.
• 수면 효율성 및 단계 지속 시간과 같은 임상 지표를 유도함으로써 CPAP 치료 효과를 임상적으로 모니터링할 수 있도록 하는 것.

제안 방법

• 원시 CPAP 유량 신호에서 직접 고차원의 계층적 표현을 추출하기 위해 딥 컨볼루션-순환 신경망(CRNN)을 활용한다.
• 수면 단계 간의 시간적 의존성과 전이 확률을 모델링하기 위해 조건부 랜덤 필드(CRF) 레이어를 구조적 출력 레이어로 통합한다.
• 특징 학습과 시퀀스 수준의 구조적 예측을 동시에 고려하는 통합 손실 함수를 사용해 전체 프레임워크를 엔드 투 엔드로 훈련한다.
• 예측된 수면 단계 시퀀스를 바탕으로 수면 효율성, 깊은 수면, REM 수면 지속 시간과 같은 임상적으로 유의미한 지표를 계산한다.
• 기존 딥 러닝 수면 단계 분류 모델에 CRF 레이어를 추가하여 성능을 향상시키되, 특징 추출기의 재학습 없이도 가능하게 한다.
• CRF의 시간 모델링 능력을 활용해 N1에서 N2로, SWS로의 생리적으로 타당한 수면 단계 전이를 강제한다.

실험 결과

연구 질문

• RQ1 추가적인 생리 신호 없이 유일하게 CPAP 유량 신호만으로도 정확한 수면 단계 분류가 가능한가?
• RQ2 구조적 CRF 레이어를 통해 수면 단계 전이를 모델링할 경우, 기존 표준 딥 러닝 접근법 대비 정확도가 어떻게 향상되는가?
• RQ3 제안된 모델이 단지 유량 데이터에서만 수면 효율성 및 REM 수면 지속 시간과 같은 임상적으로 중요한 수면 지표를 얼마나 정확하게 추적할 수 있는가?
• RQ4 기존 딥 러닝 수면 단계 분류 프레임워크에 모델을 통합하여 성능을 향상시킬 수 있는가?
• RQ5 모델은 CPAP 치료 중 수면 구조 변화에 대한 어떤 통찰을 제공하는가?

주요 결과

• 제안된 모델은 CPAP 유량 데이터에서 평가했을 때 기존 딥 러닝 방법 대비 수면 단계 분류 정확도를 10% 향상시킨다.
• 딥 CRF 레이어의 통합은 수면 단계 전이의 시간적 동역학을 모델링함으로써 성능 향상에 중대한 기여를 한다.
• 모델은 단지 유량 신호에서만 수면 효율성 및 단계 지속 시간을 정확하게 추정할 수 있어, CPAP 치료의 임상적 모니터링을 지원한다.
• 기존 딥 러닝 수면 단계 분류 모델에 프레임워크를 원활하게 통합할 수 있어, 특징 추출기의 재학습 없이도 성능 향상을 이룬다.
• 이 방법은 CPAP 치료를 받는 환자에서 수면 구조 궤적을 연구하는 데 기반을 마련하며, 수면 과학 분야에서 새로운 연구 방향을 열어준다.