NeuroNet: 단일 채널 EEG을 사용한 수면 단계 분류를 위한 새로운 하이브리드 자기 지도 학습 프레임워크

수면 단계 분류는 수면 장애 진단과 수면 품질 평가의 핵심적인 측면입니다. 그러나 임상의사가 수행하는 기존의 수동 점수화 과정은 시간이 많이 소요되며 인간의 편향에 취약합니다. 최근 딥러닝의 발전은 수면 단계 분류의 자동화를 크게 촉진시켰습니다. 그럼에도 불구하고, 라벨이 부착된 대규모 데이터셋의 필요성과 인간이 생성한 주석의 내재적 편향 등의 문제점이 여전히 존재합니다. 본 논문에서는 이러한 문제를 해결하기 위해 대조 학습 작업과 마스킹 예측 작업을 통합하여 비라벨 단일 채널 수면 전기뇌파(EEG) 신호를 효과적으로 활용할 수 있는 자기 지도 학습(SSL) 프레임워크인 NeuroNet을 소개합니다. NeuroNet은 세 개의 다중 수면 그래프(PSG) 데이터셋에서 수행된 광범위한 실험을 통해 기존 SSL 방법론보다 우수한 성능을 보여주었습니다. 또한, 본 연구에서는 다양한 EEG 에포크 간의 관계를 포착하기 위한 Mamba 기반 시계열 맥락 모듈을 제안합니다. NeuroNet과 Mamba 기반 시계열 맥락 모듈을 결합하면, 라벨이 부착된 데이터가 제한적이더라도 최신 감독 학습 방법론과 동등하거나 그 이상의 성능을 달성할 수 있음을 입증하였습니다. 이 연구는 수면 단계 분류에서 새로운 벤치마크를 설정할 것으로 기대되며, 앞으로의 수면 분석 연구와 응용 분야를 선도할 것으로 보입니다.