[论文解读] SLEEPER: interpretable Sleep staging via Prototypes from Expert Rules

Irfan Al-Hussaini, Cao Xiao+2 more|arXiv (Cornell University)|Oct 14, 2019

Context-Aware Activity Recognition Systems参考文献 29被引用 10

一句话总结

SLEEPER 提出了一种基于原型的深度学习框架，将专家定义的睡眠分期规则与多导睡眠图（PSG）数据的卷积神经网络嵌入相结合，生成可解释且准确的睡眠分期模型。通过从专家规则中学习原型，并在浅层决策树中使用这些原型，SLEEPER 实现了 85% 的 ROC-AUC 和加权 Cohen’s kappa 0.7 的性能，与最先进深度学习模型相当，同时提供人类可读的决策规则。

ABSTRACT

Sleep staging is a crucial task for diagnosing sleep disorders. It is tedious and complex as it can take a trained expert several hours to annotate just one patient's polysomnogram (PSG) from a single night. Although deep learning models have demonstrated state-of-the-art performance in automating sleep staging, interpretability which defines other desiderata, has largely remained unexplored. In this study, we propose Sleep staging via Prototypes from Expert Rules (SLEEPER), which combines deep learning models with expert defined rules using a prototype learning framework to generate simple interpretable models. In particular, SLEEPER utilizes sleep scoring rules and expert defined features to derive prototypes which are embeddings of PSG data fragments via convolutional neural networks. The final models are simple interpretable models like a shallow decision tree defined over those phenotypes. We evaluated SLEEPER using two PSG datasets collected from sleep studies and demonstrated that SLEEPER could provide accurate sleep stage classification comparable to human experts and deep neural networks with about 85% ROC-AUC and .7 kappa.

研究动机与目标

• 为解决深度学习模型在睡眠分期中缺乏可解释性的问题，尽管其准确率高，但限制了临床应用。
• 弥合黑箱深度学习模型与睡眠专家所使用的可解释性差但模糊的临床指南之间的差距。
• 开发一种结合深度神经网络高准确率与规则系统透明性的模型，通过原型学习实现。
• 生成简单、人类可理解的模型（如浅层决策树），反映临床推理过程，并以专家规则为基础。
• 使临床医生能够通过揭示底层决策逻辑和特征重要性来信任和验证模型预测。

提出的方法

• SLEEPER 使用卷积神经网络（CNN）将 PSG 数据片段嵌入共享潜在空间，与从专家定义的睡眠评分规则中提取的原型进行比较。
• 原型被学习为匹配特定临床特征（如慢波、K 复合波、α 节律）的 PSG 段代表性嵌入，这些特征在 AASM 手册中有描述。
• 通过计算输入数据嵌入与基于规则的原型之间的余弦相似度来确定相关性，从而实现基于规则的分类决策。
• 在基于原型的表示上训练浅层决策树，分裂由与专家规则的相似度阈值定义，从而生成透明且可解释的模型。
• 该方法将多变量 PSG 信号与分期规则联合嵌入统一空间，支持端到端训练，同时接受数据和规则监督。
• 最终模型为一个简单、人类可读的决策树，根据与临床意义明确的原型的距离对睡眠阶段进行分类。

实验结果

研究问题

• RQ1 深度学习模型是否能在保持可解释性的同时，通过基于规则的原型实现高睡眠分期准确率？
• RQ2 专家定义的睡眠评分规则如何被有效编码并整合到深度学习框架中，以提升模型透明度？
• RQ3 从 PSG 数据中学习的原型表示在多大程度上能模拟人类睡眠专家的决策过程？
• RQ4 基于学习原型构建的浅层决策树是否能在不牺牲准确率的前提下，优于复杂黑箱模型的可解释性？
• RQ5 所学习的原型与决策规则是否与已知临床特征（如慢波、K 复合波和 α 节律）一致？

主要发现

• SLEEPER 在睡眠分期任务中实现了 85% 的 ROC-AUC，与最先进深度学习模型相当。
• 该模型实现了加权 Cohen’s kappa 0.7，表明与专家标注具有强一致性。
• 所得决策树具有可解释性，其节点对应于临床有意义的特征，如中央导联 EEG 中持续时间超过 3 秒的慢波。
• 决策树的根节点使用 C3-A2 和 C4-A1 导联中持续时间超过 3 秒的慢波原型，余弦相似度阈值为 0.56，可在下一节点正确识别 78% 的 N3 期。
• 基于前额区域持续时间超过 12 秒的慢波，形成一个包含训练数据 12.1% 的叶节点，N3 分类准确率达 96%，符合临床标准。
• 该模型成功捕捉了已知临床特征：通过枕区 α 活动检测清醒期，通过与已知 REM 原型的相似性区分快速眼动期。