단일 채널 EEG를 이용한 주의 기반 딥러닝 접근법을 통한 수면 단계 분류

수면 단계 자동 분류는 수면 질을 측정하는 데 있어 매우 중요한 역할을 한다. 본 논문에서는 단일 채널 뇌파 신호를 이용하여 수면 단계를 분류하기 위해 주목력 기반의 새로운 딥러닝 아키텍처인 AttnSleep을 제안한다. 이 아키텍처는 다중 해상도 컨볼루션 신경망(MRCNN)과 적응형 특징 재조정(Adaptive Feature Recalibration, AFR) 기반의 특징 추출 모듈로 시작한다. MRCNN은 저주파 및 고주파 특징을 동시에 추출할 수 있으며, AFR은 특징 간의 상호의존성을 모델링함으로써 추출된 특징의 품질을 향상시킨다. 두 번째 모듈인 시간적 맥락 인코더(Temporal Context Encoder, TCE)는 다중 헤드 주목력(Multi-head Attention) 기법을 활용하여 추출된 특징 간의 시간적 의존성을 포착한다. 특히, 다중 헤드 주목력은 입력 특징 내 시간적 관계를 모델링하기 위해 인과 컨볼루션(Causal Convolution)을 적용한다. 제안하는 AttnSleep 모델의 성능은 세 가지 공개 데이터셋을 이용해 평가하였으며, 다양한 평가 지표에서 최신 기술 대비 뛰어난 성능을 보였다. 본 연구의 소스 코드, 실험 데이터 및 보충 자료는 https://github.com/emadeldeen24/AttnSleep 에서 공개되어 있다.