딥 트랜스퍼 러닝을 활용한 보다 정확한 자동 수면 단계 분류

배경: 최근 자동 수면 단계 분류 방법의 개발에 있어 상당한 진전이 이루어졌음에도 불구하고, 데이터 변동성과 데이터 효율성 문제로 인해 소규모 집단을 대상으로 하는 수면 연구에서 좋은 모델을 구축하는 것은 여전히 큰 도전이다. 본 연구는 이러한 문제를 극복하고, 대규모 데이터셋에서 소규모 집단으로 지식을 전송하여 자동 수면 단계 분류를 가능하게 하는 깊은 전이 학습 방법을 제시한다. 방법: 우리는 시퀀스-투-시퀀스 수면 단계 분류를 위한 일반적인 엔드-투-엔드 딥러닝 프레임워크에서 출발하여, 두 개의 네트워크를 전이 학습의 수단으로 유도한다. 이 네트워크들은 먼저 원본 영역(즉, 대규모 데이터베이스)에서 훈련된다. 그런 다음 사전 훈련된 네트워크들은 목표 영역(즉, 소규모 집단)에서 미세 조정(finetuning)되어 지식 전송을 완료한다. 우리는 200명의 피험자로 구성된 몬트리올 수면 연구 아카이브(MASS) 데이터베이스를 원본 영역으로 사용하고, 세 가지 다른 목표 영역에서 깊은 전이 학습을 연구한다: Sleep-EDF 확장 데이터베이스의 Sleep Cassette 하위집합과 Sleep Telemetry 하위집합, 그리고 Surrey-cEEGrid 데이터베이스. 목표 영역은 의도적으로 원본 영역과의 데이터 불일치 정도가 다르도록 채택되었다. 결과: 실험 결과는 제안된 깊은 전이 학습 접근법을 통해 목표 영역에서 자동 수면 단계 분류 성능에 유의미한 개선이 이루어졌음을 보여준다. 결론: 이러한 결과는 위에서 언급한 데이터 변동성 및 데이터 효율성 문제 해결에 있어 제안된 접근법의 효과성을 시사한다. 의의: 그 결과, 상대적으로 적은 양의 데이터가 있는 경우 자동 수면 단계 분류 모델의 품질을 향상시키는 것이 가능해진다. 소스 코드와 사전 훈련된 모델은 http://github.com/pquochuy/sleep_transfer_learning 에서 제공된다.