XSleepNet: 자동 수면 단계 분류를 위한 다중 시점 순차 모델

수면 단계 자동화는 수백만 명의 수면 부족과 장애를 겪고 있는 사람들에게 서비스를 제공하고, 가정 환경에서의 종단적 수면 모니터링을 가능하게 하기 위해 수면 평가 및 진단을 확대하는 데 매우 중요합니다. 원시 다중 수면 기록 신호와 그 파생 시간-주파수 이미지 표현으로부터 학습하는 것이 일반적이었습니다. 그러나, 원시 신호와 시간-주파수 이미지(예: 여러 시점 입력) 모두로부터 학습하여 수면 단계를 분류하는 것은 어려우며 아직 잘 이해되지 않았습니다.본 연구에서는 원시 신호와 시간-주파수 이미지 모두로부터 공동 표현을 학습할 수 있는 시퀀스-투-시퀀스 수면 단계 모델인 XSleepNet을 제안합니다. 서로 다른 시점이 서로 다른 속도로 일반화하거나 과적합될 수 있으므로, 제안된 네트워크는 각 시점의 일반화/과적합 행동에 따라 학습 속도를 조절하여 훈련됩니다. 즉, 특정 시점이 잘 일반화되고 있을 때는 학습 속도를 높이고, 과적합될 때는 학습 속도를 낮춥니다. 훈련 과정 중에 시점별 일반화/과적합 측정치가 실시간으로 계산되어, 이를 사용하여 서로 다른 시점에서 얻은 그래디언트를 혼합하기 위한 가중치를 도출합니다. 결과적으로, 네트워크는 각 개별 시점에서 배운 것보다 더 나은 기본 분포를 나타내는 공동 특성에서 서로 다른 시점의 표현력을 유지할 수 있습니다.또한, XSleepNet 구조는 훈련 데이터의 양에 대한 강건성을 획득하고 입력 시점 간의 보완성을 증가시키도록 원칙적으로 설계되었습니다. 다섯 개의 크기가 다른 데이터베이스에서 수행된 실험 결과에 따르면, XSleepNet은 단일 시점 베이스라인과 간단한 융합 전략을 사용한 다중 시점 베이스라인을 일관되게 능가했습니다. 마지막으로, XSleepNet은 이전의 수면 단계 방법론들을 능가하며 실험 데이터베이스에서 이전 최신 연구 결과들을 개선했습니다.