원시 단일 채널 EEG를 이용한 자동 수면 점수화를 위한 시내부 및 시간부 시간적 맥락 네트워크 (IITNet) 사용 서브-에포크 특징

원시 단일 채널 EEG에서 자동 수면 점수화를 위해 인트라-에포크와 인터-에포크 시간적 맥락을 학습하는 딥러닝 모델인 IITNet이 제안되었습니다. 반분기 EEG, 즉 에포크에서 수면 단계를 분류하기 위해 수면 전문가들은 수면 관련 이벤트를 조사하고, 발견된 이벤트 간의 전환 규칙을 고려합니다. 유사하게, IITNet은 잔차 신경망을 통해 하위 에포크 수준의 대표적인 특징을 추출하고, 양방향 LSTM을 통해 특징 시퀀스에서 인트라-에포크와 인터-에포크 시간적 맥락을 포착합니다.세 가지 데이터셋에 대해 시퀀스 길이(L)가 1부터 10까지 증가함에 따라 성능을 조사하였습니다. IITNet은 다른 최신 연구 결과들과 비교할 만한 성능을 달성하였습니다. SleepEDF (L=10)에서는 정확도, MF1, Cohen's kappa ($κ$)가 각각 83.9%, 77.6%, 0.78로 가장 우수하였으며, MASS (L=9)에서는 86.5%, 80.7%, 0.80으로, SHHS (L=10)에서는 86.7%, 79.8%, 0.81로 나타났습니다.4개의 에포크를 사용하더라도 성능은 여전히 비슷했습니다. 단일 에포크 사용과 비교하여 평균적으로 정확도와 MF1이 각각 2.48% 포인트(p)와 4.90% 포인트(p) 증가하였으며, N1, N2, REM의 F1 점수가 각각 16.1% 포인트(p), 1.50% 포인트(p), 6.42% 포인트(p) 증가하였습니다.4개 이상의 에포크를 사용할 경우 성능 개선은 유의미하지 않았습니다. 결과는 효율성과 신뢰성을 갖춘 딥 뉴럴 네트워크를 통한 수면 점수화를 위해 최근 두 분기 원시 단일 채널 EEG를 고려하는 것이 합리적인 선택임을 지지합니다.또한 기준 모델들로 수행된 실험은 딥 잔차 네트워크를 이용한 인트라-에포크 시간적 맥락 학습 도입이 전체 성능 향상에 기여하며, 인터-에포크 시간적 맥락 학습과 긍정적인 시너지 효과가 있음을 보여주었습니다.