[论文解读] Transparency in Sleep Staging: Deep Learning Method for EEG Sleep Stage Classification with Model Interpretability

Shivam Sharma, Suvadeep Maiti+3 more|arXiv (Cornell University)|Sep 10, 2023

EEG and Brain-Computer InterfacesNeuroscience被引用 3

一句话总结

该论文提出了一种新颖的端到端深度学习模型，用于单通道EEG睡眠阶段分类，该模型整合了挤压-激励残差网络（SE-ResNet）和堆叠的双向LSTM层，以捕捉空间和时间特征。该研究首次在睡眠分期中引入可解释的深度学习方法，采用1D-GradCAM，实现了与专家标注的高度一致，且在SleepEDF-20、SleepEDF-78和SHHS数据集上的宏平均F1分数分别达到82.5、78.9和81.9，同时通过增加卷积层的步幅，将训练速度提升了8倍。

ABSTRACT

Automated Sleep stage classification using raw single channel EEG is a critical tool for sleep quality assessment and disorder diagnosis. However, modelling the complexity and variability inherent in this signal is a challenging task, limiting their practicality and effectiveness in clinical settings. To mitigate these challenges, this study presents an end-to-end deep learning (DL) model which integrates squeeze and excitation blocks within the residual network to extract features and stacked Bi-LSTM to understand complex temporal dependencies. A distinctive aspect of this study is the adaptation of GradCam for sleep staging, marking the first instance of an explainable DL model in this domain with alignment of its decision-making with sleep expert's insights. We evaluated our model on the publically available datasets (SleepEDF-20, SleepEDF-78, and SHHS), achieving Macro-F1 scores of 82.5, 78.9, and 81.9, respectively. Additionally, a novel training efficiency enhancement strategy was implemented by increasing stride size, leading to 8x faster training times with minimal impact on performance. Comparative analyses underscore our model outperforms all existing baselines, indicating its potential for clinical usage.

研究动机与目标

• 解决单通道EEG信号中高变异性与复杂性带来的准确睡眠阶段分类挑战。
• 提升自动化睡眠分期中模型的可解释性，以支持临床应用与信任建立。
• 开发一种数据高效型训练策略，以降低计算成本而不牺牲性能。
• 通过超越现有最先进方法，建立自动化睡眠分期的基准。

提出的方法

• 采用混合架构，结合SE-ResNet实现通道注意力机制的特征提取，以及堆叠的双向LSTM以建模EEG序列中的长程时间依赖性。
• 将1D-GradCAM适配用于生成类别激活图，可视化影响模型分类决策的EEG信号片段。
• 通过在卷积层中增加步幅大小，实现训练效率提升，显著减少计算量，同时性能下降可忽略。
• 使用公开数据集（SleepEDF-20、SleepEDF-78、SHHS）进行训练与评估，采用标准的30秒时间窗评分方式。
• 通过盲评方式，由睡眠专家对相同EEG时间窗进行对比，评估模型注意力区域与专家标注的微结构的一致性。
• 采用AASM和R&K评分指南，确保数据标注与评估过程符合临床标准。

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，实现单通道EEG睡眠分期的最先进性能？
• RQ2 通过1D-GradCAM可视化得到的模型注意力，与睡眠专家识别的临床相关EEG微结构在多大程度上一致？
• RQ3 所提出的训练效率策略（增加步幅）在不降低模型性能的前提下，是否能有效缩短训练时间？
• RQ4 将挤压-激励模块与残差网络结合，是否能提升EEG睡眠分期中的特征表示能力？
• RQ5 该模型在SleepEDF-20、SleepEDF-78和SHHS等多样化公开数据集上是否具备良好的泛化能力？

主要发现

• 模型在SleepEDF-20数据集上达到82.5的宏平均F1分数，在SleepEDF-78上为78.9，在SHHS上为81.9，优于现有最先进方法。
• 1D-GradCAM可视化结果表明，模型注意力与专家识别的EEG微结构（如α波、睡眠纺锤波、K复合波和δ波）高度一致。
• 模型成功检测到N2期中的K复合波和N3期中的δ波等关键标志，证实其能够聚焦于具有诊断意义的特征。
• 通过增加卷积层步幅实现的训练效率提升，使训练时间缩短8倍，性能下降可忽略。
• 与睡眠专家进行的盲评验证表明，模型的注意力区域与专家在人工评分时优先关注的信号段高度吻合。
• SE-ResNet与堆叠双向LSTM的结合显著提升了特征提取与时间建模能力，从而贡献于更高的分类准确率。