[論文レビュー] SLEEPNET: Automated Sleep Staging System via Deep Learning

Siddharth Biswal, Joshua A. Kulas+5 more|arXiv (Cornell University)|Jul 26, 2017

EEG and Brain-Computer Interfaces参考文献 27被引用数 105

ひとこと要約

SLEEPNET は、EEG から睡眠段階を自動でラベリングするために、大規模で多様な睡眠研究データセット上で深層ニューラルネットワークを訓練します。1,000 件のホールドアウト記録で専門家レベルの性能（精度 約85.8%、kappa 約0.794）を達成し、MGH に展開されています。

ABSTRACT

Sleep disorders, such as sleep apnea, parasomnias, and hypersomnia, affect 50-70 million adults in the United States (Hillman et al., 2006). Overnight polysomnography (PSG), including brain monitoring using electroencephalography (EEG), is a central component of the diagnostic evaluation for sleep disorders. While PSG is conventionally performed by trained technologists, the recent rise of powerful neural network learning algorithms combined with large physiological datasets offers the possibility of automation, potentially making expert-level sleep analysis more widely available. We propose SLEEPNET (Sleep EEG neural network), a deployed annotation tool for sleep staging. SLEEPNET uses a deep recurrent neural network trained on the largest sleep physiology database assembled to date, consisting of PSGs from over 10,000 patients from the Massachusetts General Hospital (MGH) Sleep Laboratory. SLEEPNET achieves human-level annotation performance on an independent test set of 1,000 EEGs, with an average accuracy of 85.76% and algorithm-expert inter-rater agreement (IRA) of kappa = 79.46%, comparable to expert-expert IRA.

研究の動機と目的

• 大規模で多様な一泊睡眠データベースを活用して自動化睡眠段階推定システムを訓練する。
• 臨床的に受け入れられる精度でEEG睡眠段階をアノテーションできるエンドツーエンドの深層学習モデルを開発する。
• 専門家のアノテーションと比較してモデルを評価し、実際の臨床現場での展開可能性を評価する。
• 睡眠医療のワークフローを支援する、臨床医に優しいインターフェースと定量的なレポートを提供する。

提案手法

• EEGデータから複数の特徴表現を抽出する（生波形、マルチテーパースペクトル分析によるスペクトログラム、専門家定義の特徴）。
• ロジスティック回帰、ツリーブースティング、MLP、CNN、RNN、RCNNを含む複数の分類器を訓練・比較し、最良の性能を示す構成を特定する。
• エンドツーエンドの深層モデルを用いる（最良は専門家定義の特徴とリカレントニューラルネットワーク）ことで、30秒エポックの睡眠段階ハイポグラムを出力する。
• 精度と Cohen’s kappa を用いて専門家のアノテーションに対する性能を評価し、誤分類パターンを分析する。
• 最良モデルを Docker 経由で臨床用ウェブインターフェースに展開し、リアルタイムのスコアリングとビジュアル化を実現する。

実験結果

リサーチクエスチョン

• RQ1 サブ集団の層別化を行わず、大規模で多様な PSG データセット全体で頑健な睡眠段階づけを学習できるか？
• RQ2 どの特徴表現とモデルアーキテクチャが専門家の睡眠技師との最高の一致をもたらすか？
• RQ3 実臨床データにおける自動睡眠段階づけの性能は、専門家間の一致（IRA）とどのように比較されるか？
• RQ4 伝統的な睡眠ラボや ICU 設定での点在的ケア用途に、展開システムは実用的か？

主な発見

モデル	精度（専門家定義フィーチャー）	Kappa（専門家定義フィーチャー）	精度（スペクトログラム特徴）	Kappa（スペクトログラム特徴）	精度（波形特徴）	Kappa（波形特徴）
LR	68.54	63.88	66.54	66.61	67.43	62.71
TB	75.67	69.47	71.61	65.37	72.36	66.37
MLP	72.23	68.41	70.23	66.71	69.56	64.21
CNN	–	–	77.83	71.45	77.31	71.47
RNN	85.76	79.46	79.21	73.83	79.46	72.46
RCNN	81.67	76.38	81.47	74.37	79.81	73.52

• 最も性能の高いモデルは、専門家定義の特徴を用いた RNN で、1,000-件のテストセットで 85.76% の精度と 0.794 Cohen’s kappa を達成。
• 特徴-モデルの組み合わせの中で、専門家定義の特徴と RNN が最高の一致と精度を示す（Kappa 0.794, Accuracy 0.857）。
• 深層モデルは、特徴タイプを問わず伝統的手法（LR、TB、MLP）を一貫して上回る。
• RCNN やその他の深層アーキテクチャも競争力のある性能を示し、長期的な時間的モデリングの明確な利点を持つ。
• 本研究は 9,000 名の被験者で訓練し 1,000 名でテストすることを分析し、大規模データセットへの拡張性を示している。
• MGH での臨床現場での展開は、ウェブインターフェースとケース別スコアリングで実用可能性を示している。