深層転移学習を用いたより正確な自動睡眠ステージングへ

背景：自動睡眠ステージング手法の開発において、最近大きな進展が見られていますが、小規模集団の睡眠研究で良質なモデルを構築することは、データの変動性と非効率性の問題により依然として大きな課題となっています。本研究では、これらの問題を克服し、大規模データセットから小規模集団への知識転送を可能にする深層転移学習アプローチを提案します。方法：まず、シーケンス・ツー・シーケンスの自動睡眠ステージング用に汎用的なエンドツーエンドの深層学習フレームワークから出発し、転移学習の手段として2つのネットワークを導出します。これらのネットワークは最初、ソースドメイン（すなわち大規模データベース）で訓練されます。次に、事前訓練されたネットワークはターゲットドメイン（すなわち小規模集団）で微調整され、知識転送が完了します。モンリアル睡眠研究アーカイブ（MASS）データベースを使用してソースドメインとし、3つの異なるターゲットドメインにおける深層転移学習について検討しました。これらはSleep-EDF Expanded データベースのSleep Cassette サブセットとSleep Telemetry サブセット、およびSurrey-cEEGrid データベースです。ターゲットドメインは意図的に選択され、ソースドメインとのデータ不一致度合いが異なるものをカバーしています。結果：実験結果は、提案した深層転移学習アプローチによってターゲットドメインでの自動睡眠ステージング性能に有意な向上が見られたことを示しています。結論：これらの結果は、上記のデータ変動性と非効率性の問題に対処するための提案アプローチの有効性を示唆しています。意義：その結果、比較的小さい量のデータでも自動睡眠ステージングモデルの品質を向上させることが可能になります。ソースコードと事前訓練済みモデルは http://github.com/pquochuy/sleep_transfer_learning で入手可能です。