Machine Learning-based Automatic Sleep Staging and Clinical Application

Abstract

Sleep staging of a polysomnographic data is necessary process to evaluate sleep and diagnosing sleep disorders. To advance current sleep staging method, a lot of research have proposed automatic sleep staging. However, most of these studies have made models based on healthy subjects. The purpose of this study is to make a machine learning model that automatically scores sleep stages healthy subjects as well as patients with sleep disorders. Hence evaluating the possible differences between sleep disorder patients and healthy subjects sleep stages. Ultimately, our goal is to implement this automatic sleep staging model into mobile and desktop application, making sleep evaluation possible outside of hospital as well. We adopted machine learning method Support Vector Machine (SVM) with radial basis function kernel, taking power spectral density and coherence value as training features. Experiment prediction results indicated that sleep disorder patients and control group have different characteristics. Furthermore, differences were found within the same group of subjects, showing larger variability especially in sleep disorder groups. This suggests that sleep stage features could vary depending on individuals and their medical history, and it’s vital to consider individuality when it comes to automatic sleep staging.;수면다원검사 데이터의 수면단계평가(sleep staging)는 수면은 평가하고 수면장애를 진단하는데 필수적인 과정이다. 현존하는 수면단계평가(sleep staging) 방법은 임상의 및 판독가의 수동적인 방법으로 시간이 오래 걸리며 오류의 위험 및 주관적인 평가가 들어간다는 단점이 있다. 현재의 수면단계평가(sleep staging)의 단점을 보완하기 위해 앞선 연구들은 다양한 머신 러닝 및 딥러닝을 활용한 자동 수면단계평가(automatic sleep staging) 방법을 제안했다. 그러나 선행 연구들의 대부분은 건강한 사람을 대상을 기반으로 해서 모델을 구축했기 때문에 수면 데이터의 다양성이 크지 않았다. 따라서 이 연구의 목적은 건강한 대상자 이외의 다양한 수면장애 환자 데이터를 포함하여 자동 수면단계평가(automatic sleep staging) 모델을 훈련시키고 정확도를 확인함으로써 모델을 평가하고 수면장애 환자와 정상군의 수면데이터의 차이점을 평가하는 것이다. 더 나아가서 만들어진 자동 수면단계평가(automatic sleep staging) 예측 모델을 이용하여 모바일 및 데스크탑 어플리케이션을 만드는 것을 목적으로 했다. 총 41명의 수면 데이터를 사용했으며, 이 중 22명은 수면 환자, 나머지 19명은 정상 대조군으로 각각 6개의 뇌파채널을 사용했다. 수면단계평가(sleep staging) 예측 모델로는 Radial basis function kernel (RBF) 를 사용한 서포트 벡터 머신(Support Vector Machine; SVM)을 사용했고 머신 러닝의 학습 지표로는 각 채널의Power Spectral Density (PSD)와 채널 간의 기능적 연결성(functional connectivity)을 보기 위한 Coherence 값을 사용했다. 실험 결과 수면장애 환자와 대조군에서 다른 특성을 나타내는 것으로 보였는데, 수면장애 환자 안에서는 환자의 개인별 차이가 다른 양상을 보였는데 환자별 증상이나 진단 등의 임상적 특성에 따른 차이가 있을 것으로 보이며, 반면 대조군에서도 수면장애 환자의 개별적 차이보다는 덜 했지만 개인별로 다른 특성이 있는 양상을 보여 이것은 개개인의 모델 정확도를 통해 확인되었다. 결론적으로 수면 단계 자동화 모델에서는 수면단계평가에 있어 개인이나 병력에 따라 수면 데이터의 특성이 다소 차이가 있을 수 있음을 고려해 모델을 설계하고, 자동수면단계평가에 있어서는 개인의 데이터를 미리 수집하여 모델을 수정 보완하여 예측하는 것이 이상적이라고 볼 수 있다.