EEG 보조 단일 리드 ECG 기반 수면 단계화의 성능 향상을 위한 깊은 지식 증류 프레임워크

자동 수면 단계 분류 연구는 현재 주로 뇌전도(EEG) 신호를 활용하여 수행되고 있습니다. 최근에 딥러닝(DL) 기반 접근법이 이 분야에서 상당한 발전을 이루어냈으며, 자동화된 수면 단계 분류의 정확도가 인간 수준에 가깝게 향상되었습니다. 그러나 EEG 기반 수면 단계 분류는 복잡하고 비용이 많이 드는 임상 환경이 필요합니다. 또한, 장비 설치를 위한 전문가의 필요성과 연구 대상에게 추가되는 불편함은 진료 현장에서 이를 사용하기 어렵게 만듭니다. 뇌전도(EEG)의 비침습적 대안인 심전도(ECG)는 더 적합하지만, 예상대로 EEG 기반 수면 단계 분류와 비교해 성능이 미치지 못합니다. 따라서, EEG에서 ECG로 지식을 전달하여 결국 ECG 기반 입력에서 모델의 성능을 향상시키는 것이 유용할 것입니다.지식 증류(KD)는 딥러닝(DL)에서 잘 알려진 개념으로, 더 우수하지만 잠재적으로 복잡한 교사 모델로부터 소형 학생 모델로 지식을 전달하는 것을 목표로 합니다. 이 개념을 바탕으로, 우리는 EEG에서 학습된 특성을 활용하여 ECG 기반 수면 단계 분류 성능을 개선하는 크로스-모달 KD 프레임워크를 제안합니다. 또한, 제안된 모델의 개별 구성 요소에 대한 여러 실험을 수행하여 증류 접근법에 대한 보다 깊은 이해를 얻었습니다.몬트리올 수면 연구 아카이브(MASS)에서 200명의 피실험자 데이터를 이용하여 본 연구를 수행했습니다. 제안된 모델은 4단계와 3단계 수면 단계 분류에서 각각 가중 F1 점수가 14.3%와 13.4% 향상되었습니다. 이 결과는 KD가 4단계(W-L-D-R) 및 3단계(W-N-R) 분류에서 단일 채널 ECG 기반 수면 단계 분류의 성능 향상을 위한 효과적인 방법임을 입증합니다.