17일 전

수면 분석을 위한 기반 모델 개발을 위한 다중 모달 하이브리드 자기지도 학습 프레임워크

Cheol-Hui Lee, Hakseung Kim, Byung C. Yoon, Dong-Joo Kim
수면 분석을 위한 기반 모델 개발을 위한 다중 모달 하이브리드 자기지도 학습 프레임워크
초록

수면은 인간의 건강과 삶의 질을 유지하는 데 필수적이다. 수면 중 생리신호를 분석하는 것은 수면의 질을 평가하고 수면 장애를 진단하는 데 핵심적인 역할을 한다. 그러나 임상의가 수행하는 수작업 진단은 시간이 많이 소요되며 주관적인 요소가 포함된다. 심층 학습 기술의 발전으로 자동화는 크게 향상되었지만, 이러한 접근법은 여전히 대규모 라벨링 데이터셋에 크게 의존하고 있다. 본 연구에서는 다중모달 하이브리드 자기지도 학습 프레임워크인 SynthSleepNet을 제안한다. 이 프레임워크는 다중 모달 신호, 즉 뇌파(EEG), 안구운동(EOG), 근전도(EMG), 심전도(ECG)를 포함한 다중 신호 간의 보완적 특징을 효과적으로 활용하여 수면다원검사(PSG) 데이터를 분석하도록 설계되었다. SynthSleepNet은 마스킹 예측과 대조 학습을 통합함으로써 PSG 데이터에 대한 고도로 표현력이 풍부한 특징 표현을 학습할 수 있다. 또한, Mamba 기반의 시계열 컨텍스트 모듈을 개발하여 신호 간의 시간적 맥락 정보를 효율적으로 포착하였다. SynthSleepNet은 수면 단계 분류, 무호흡 검출, 저호흡 검출이라는 세 가지 하류 작업에서 최신 기술보다 우수한 성능을 보였으며, 각각 정확도가 89.89%, 99.75%, 89.60%를 기록하였다. 또한, 라벨이 제한된 반지도 학습 환경에서도 강력한 성능을 보였으며, 동일한 작업에서 각각 87.98%, 99.37%, 77.52%의 정확도를 달성하였다. 이러한 결과는 SynthSleepNet이 PSG 데이터의 종합적 분석을 위한 기반 도구로서의 잠재력을 입증한다. SynthSleepNet은 다른 기존 방법들과 비교하여 여러 하류 작업에서 종합적으로 뛰어난 성능을 보이며, 수면 장애 모니터링 및 진단 시스템의 새로운 기준을 제시할 것으로 기대된다.

수면 분석을 위한 기반 모델 개발을 위한 다중 모달 하이브리드 자기지도 학습 프레임워크 | 최신 연구 논문 | HyperAI초신경