DeepSleepNet: 원시 단일 채널 EEG을 기반으로 한 자동 수면 단계 평가 모델

본 연구에서는 원시 단일 채널 EEG를 기반으로 자동 수면 단계 분류를 수행하는 딥러닝 모델인 DeepSleepNet을 제안합니다. 기존의 대부분 방법은 수면 분석에 대한 사전 지식이 필요한 수작업 특징을 사용합니다. 이들 중 몇몇만 다음 수면 단계를 식별하기 중요한 시간적 정보(예: 전환 규칙)를 추출된 특징에 인코딩합니다. 제안된 모델에서는 시간 불변 특징을 추출하기 위해 합성곱 신경망(Convolutional Neural Networks)을 활용하고, 양방향 장단기 기억(bidirectional-Long Short-Term Memory)을 사용하여 EEG 에포크에서 자동으로 수면 단계 간의 전환 규칙을 학습합니다. 또한, 모델을 효율적으로 훈련하기 위해 두 단계 훈련 알고리즘을 구현했습니다. 우리는 두 개의 공개 수면 데이터셋(MASS와 Sleep-EDF)에서 서로 다른 속성(예: 샘플링률)과 점수화 기준(AASM과 R&K)을 가진 다양한 단일 채널 EEG(F4-EOG(Left), Fpz-Cz, Pz-Oz)를 사용하여 모델을 평가했습니다. 결과는 본 모델이 최신 방법(MASS: 85.9%-80.5, Sleep-EDF: 78.9%-73.7)과 유사한 전체 정확도와 매크로 F1 스코어(MASS: 86.2%-81.7, Sleep-EDF: 82.0%-76.9)를 얻었다는 것을 보여주었습니다. 이는 모델 아키텍처와 훈련 알고리즘이 변경되지 않은 상태에서, 본 모델이 어떤 수작업 특징도 이용하지 않고 서로 다른 데이터셋에서 얻은 다양한 원시 단일 채널 EEG로부터 자동으로 수면 단계 분류에 필요한 특징을 학습할 수 있음을 입증하였습니다.