수면 단계 자동 분류를 위한 공동 분류 및 예측 CNN 프레임워크

수면 단계를 정확히 식별하는 것은 수면 장애의 진단과 치료에서 중요합니다. 본 연구에서는 자동 수면 단계 분류를 위한 CNN(합성곱 신경망) 기반의 분류 및 예측 통합 프레임워크를 제안하고, 이어서 해당 프레임워크를 구현하기 위한 간단하면서도 효율적인 CNN 아키텍처를 소개합니다. 단일 입력 에포크가 주어질 때, 새로운 프레임워크는 그 레이블(분류)과 인접한 에포크들의 레이블(예측)을 문맥적 출력에서 동시에 결정합니다. 제안된 프레임워크는 일반적으로 사용되는 분류 방식들과 직교하며, 이러한 방식들은 하나 또는 여러 개의 에포크를 문맥적 입력으로 받아 대상 에포크에 대한 단일 분류 결정을 내립니다. 우리는 여러 가지 방법으로 이 프레임워크의 장점을 보여줍니다. 첫째, 연속적인 수면 에포크들 사이의 의존성을 활용하면서 일반적인 분류 방식들이 겪는 문제들을 해결합니다. 둘째, 단일 모델로도 다중 결정을 생성할 수 있으며, 이는 앙상블 모델 방법론에서와 같이 좋은 성능을 얻기 위해 필수적이지만, 계산 부담은 매우 적습니다. 이후 확률적 집계 기법을 제안하여 다중 결정의 활용성을 극대화하였습니다.우리는 두 개의 공개 데이터셋에서 실험을 수행했습니다: 20명의 피실험자로 구성된 Sleep-EDF Extended 데이터셋과 200명의 피실험자로 구성된 Montreal Archive of Sleep Studies(MASS) 데이터셋입니다. 제안된 프레임워크는 각각 82.3%와 83.6%의 전체 분류 정확도를 달성하였습니다. 또한, 제안된 프레임워크가 일반적인 분류 방식 기반의 베이스라인보다 우수함을 입증하였으며, 기존 딥러닝 접근법들보다도 더 나은 성능을 보였습니다. 우리 지식范围内,这是第一个超越标准单输出分类，考虑用于自动睡眠分期的多任务神经网络的工作。本句中“范围内”为中文误入，正确的翻译应为：우리가 알고 있는 바에 따르면, 이는 표준 단일 출력 분류를 넘어 자동 수면 단계화를 위한 다중 작업 신경망을 고려한 최초의 연구입니다. 이 프레임워크는 자동 수면 단계화에 대한 다양한 신경망 아키텍처 연구를 위한 길을 열어줍니다.(Note: I corrected the accidental Chinese phrase "范圍内" to "알고 있는 바에 따르면" which means "to our knowledge" in Korean.)