배경: 수면 각성은 수면 중에 일시적으로 나타나는 각성 상태를 의미하며, 과도한 수면 각성은 낮 동안의 졸림과 수면 장애 등을 포함한 다양한 부정적 영향과 연관되어 있다. 수면 각성 장애의 진단을 위해서는 다채널 수면다발검사(다중생리신호 기록, polysomnographic recordings)의 고품질 주석(annotation)이 필수적이다. 현재까지 수면 각성은 수백만 개의 데이터 포인트를 수작업으로 검토하여 전문가들이 주석을 달고 있으나, 이 과정은 상당한 시간과 노력을 요구한다.방법: 본 연구에서는 두 개의 독립된 데이터셋에서 수집한 2,994명의 개인 데이터를 활용하여 모델 학습(60%), 검증(15%), 테스트(25%)를 수행하였다. (i) PhysioNet Challenge 데이터셋(n=994), (ii) Sleep Heart Health Study 데이터셋(n=2000). 우리는 깊은 합성곱 신경망 기반의 자동 분할 기법인 DeepSleep을 개발하여 수면 각성 사건을 자동으로 식별하였다. 본 방법은 다양한 시간 규모에서 생리 신호 간의 장거리 및 단거리 상호작용을 효과적으로 포착함으로써 수면 각성의 탐지 능력을 향상시켰다. 또한 유사한 생리 채널을 무작위로 교체하는 새로운 증강 전략을 도입하여 예측 정확도를 추가로 개선했다.결과: 기존의 수면 연구에서 사용되는 다른 계산적 방법들과 비교했을 때, DeepSleep은 높은 정확도(수신기 작동 특성 곡선 아래 면적(AUC-ROC): 0.93, 정밀도-재현율 곡선 아래 면적(AUC-PR): 0.55), 높은 해상도(5밀리초 해상도), 빠른 처리 속도(1개 수면 기록당 10초)를 갖춘 수면 각성의 자동 분할을 가능하게 했다. 2018년 PhysioNet Challenge에서 대규모 보류 데이터셋(n=989)을 활용한 평가에서, 본 방법은 비호흡성 각성(non-apneic arousals)의 분할에서 1위를 기록하였다. 또한 DeepSleep은 인간 전문가의 주석보다 특히 각성과 비각성 사건 사이의 낮은 신뢰도 경계 영역에서 더 세밀한 경계를 제공함을 발견하였다. 이는 가상의 주석(in silico annotations)이 인간 주석의 보완이 될 수 있으며, 현재의 2진 레이블 시스템 및 각성 평가 기준의 발전 가능성을 시사한다.해석: 제안된 딥러닝 모델은 수면 각성 탐지에서 최신 기술 수준의 성능을 달성하였다. 주석 신뢰도의 확률 값을 도입함으로써, 본 모델은 수면 장애의 진단 및 수면 품질 평가에 더 정확한 정보를 제공할 수 있을 것으로 기대된다.