[论文解读] Real-Time Sleep Staging using Deep Learning on a Smartphone for a Wearable EEG

Abhay Koushik, Judith Amores+1 more|arXiv (Cornell University)|Nov 25, 2018

EEG and Brain-Computer Interfaces被引用 8

一句话总结

本论文提出首个基于智能手机和单导联可穿戴脑电图（EEG）的实时、设备端睡眠分期系统，采用时间分布1D卷积神经网络（TD-1D-CNN）并结合Z得分校准，实现设备与受试者无关的推理。该系统在Sleep-EDF数据集上仅使用30秒时间段，实现了五类睡眠阶段分类（清醒、N1、N2、N3、REM）83.5%的准确率，支持移动设备上便携、无服务器依赖的实时睡眠监测。

ABSTRACT

We present the first real-time sleep staging system that uses deep learning without the need for servers in a smartphone application for a wearable EEG. We employ real-time adaptation of a single channel Electroencephalography (EEG) to infer from a Time-Distributed 1-D Deep Convolutional Neural Network. Polysomnography (PSG)-the gold standard for sleep staging, requires a human scorer and is both complex and resource-intensive. Our work demonstrates an end-to-end on-smartphone pipeline that can infer sleep stages in just single 30-second epochs, with an overall accuracy of 83.5% on 20-fold cross validation for five-class classification of sleep stages using the open Sleep-EDF dataset.

研究动机与目标

• 开发一种实时、设备端的睡眠分期系统，以消除对医院多导睡眠图（PSG）和服务器端处理的依赖。
• 仅通过可穿戴设备获取的单导联EEG，在智能手机上实现准确、便携且用户友好的睡眠分期。
• 通过轻量级设备端深度学习模型，实现30秒时间段的实时分类，克服现有系统的局限，达到高准确率。
• 通过使用清醒阶段标准差的Z得分校准，确保模型在不同EEG设备和受试者之间的鲁棒性。

提出的方法

• 系统使用时间分布1D卷积神经网络（TD-1D-CNN）实时分类单个30秒EEG时间段。
• 从AF7导联获取的原始EEG信号下采样至100Hz，并每30秒使用均值、标准差和极值距离（MMD）等统计特征进行处理。
• 通过清醒阶段标准差应用Z得分校准，对不同设备和受试者的EEG信号进行归一化，确保设备与受试者无关性。
• 模型在公开的Sleep-EDF数据集上通过20折交叉验证进行训练与验证，并利用互信息分析特征重要性，以优先选择关键统计特征。
• 基于TensorFlow Lite的Android应用程序通过蓝牙低功耗（BLE）从可穿戴Muse头带流式传输EEG数据，并可视化实时睡眠阶段预测结果及置信度分数。
• 通过实时REM检测以及在清醒状态下模拟眼球运动、咬牙和眨眼，验证了系统的信号响应能力。

实验结果

研究问题

• RQ1 单导联可穿戴EEG结合轻量级深度学习模型，是否能实现实时、设备端睡眠分期且无需服务器依赖？
• RQ2 基于1D-CNN的模型在智能手机上仅使用30秒EEG时间段对五类睡眠阶段（清醒、N1、N2、N3、REM）分类的准确率能达到多高？
• RQ3 使用清醒阶段标准差的Z得分校准，在多大程度上能提升模型在不同EEG设备和个体间的泛化能力？
• RQ4 该设备端系统在评分者间一致性与分类准确率方面，与人类专家评分相比表现如何？

主要发现

• 在20折交叉验证中，该模型在Sleep-EDF数据集上对五类睡眠阶段分类的整体准确率达到83.5%。
• 在独立测试夜间，准确率范围为72%（最差情况）至81.72%，F1得分为76.23%，微平均F1得分为0.82。
• N1阶段性能最低（精确率0.47，召回率0.42，F1值0.44），主要由于缺乏枕叶导联导致检测不可靠。
• EEG信号的标准差被确定为最重要的统计特征，平均贡献特征重要性53.33%，支持其在Z得分校准中的应用。
• 系统成功验证了实时REM检测，并在清醒状态下模拟眼球运动与眨眼，证实了在动态条件下的响应能力与可靠性。
• 混淆矩阵与睡眠图对比显示与真实标签高度一致，尤其在N2和N3阶段表现稳健，表明对非快速眼动阶段具有强性能。