이미지화된 생체신호 데이터를 이용한 수면 단계 분류 딥러닝 모델의 성능 최적화 연구 A study on performance optimization of sleep stage classification deep learning model using imaged biosignal data원문보기
사람은 모두 충분한 양의 수면을 취해야하며 낮은 질의 수면은 건강에 악영향을 미친다. 수면 장애는 수면의 질을 낮추는 주된 원인 중 하나이다. 현대 사회에서는 다양한 요인으로 인해 많은 이들이 수면 장애를 겪고 있다. 수면다원검사는 환자의 여러 생체신호를 종합하여 수면 장애를 진단하는 검사이다. 수면다원검사 결과는 수면 전문가에 의해 분석되는데 이는 시간을 많이 소모하는 작업이다. 따라서 수면다원검사 분석의 자동화는 많은 수면 전문가들의 관심 분야이다. 수면 단계는 수면다원검사를 통해 취득할 수 있는 정보 중 하나다. 각 수면 단계별로 뚜렷한 특징이 존재하기 때문에 자동화하기 쉬운 작업에 속하며 이에 관한 활발한 연구가 진행되고 있다. 본 논문에서는 새로운 수면 단계 분류 모델인 SleepImageNet과 제안된 모델을 학습시키기 위한 이미지화된 ...
사람은 모두 충분한 양의 수면을 취해야하며 낮은 질의 수면은 건강에 악영향을 미친다. 수면 장애는 수면의 질을 낮추는 주된 원인 중 하나이다. 현대 사회에서는 다양한 요인으로 인해 많은 이들이 수면 장애를 겪고 있다. 수면다원검사는 환자의 여러 생체신호를 종합하여 수면 장애를 진단하는 검사이다. 수면다원검사 결과는 수면 전문가에 의해 분석되는데 이는 시간을 많이 소모하는 작업이다. 따라서 수면다원검사 분석의 자동화는 많은 수면 전문가들의 관심 분야이다. 수면 단계는 수면다원검사를 통해 취득할 수 있는 정보 중 하나다. 각 수면 단계별로 뚜렷한 특징이 존재하기 때문에 자동화하기 쉬운 작업에 속하며 이에 관한 활발한 연구가 진행되고 있다. 본 논문에서는 새로운 수면 단계 분류 모델인 SleepImageNet과 제안된 모델을 학습시키기 위한 이미지화된 생체신호 데이터를 소개한다. SleepImageNet은 EfficientNet-B0와 LSTM을 결합한 모델로 수면 이미지 데이터의 공간적 특성과 시계열 특성을 모두 고려한다. 더 나아가 SleepImageNet을 최적화하기 위한 세 가지 기법을 소개한다. 각 방법은 CNN의 위치 독립적 특성을 방해하기 위한 배경값 추가, 다중 기관 데이터셋임을 고려한 모델 확장, 수면 신호가 모델에 미치는 영향을 분석한 채널 선별이다. SleepImageNet는 공공 데이터셋과 의료기관으로부터 전달받은 데이터셋, 두 데이터셋 모두에서 기존 수면 단계 분류 모델과 비교하여 좋은 성능을 가진다. 또한 사람이 시각적으로 이해할 수 있는 이미지를 입력으로 하였기 때문에 CAM을 통해 모델의 출력 결과를 이해할 수 있게 한다.
사람은 모두 충분한 양의 수면을 취해야하며 낮은 질의 수면은 건강에 악영향을 미친다. 수면 장애는 수면의 질을 낮추는 주된 원인 중 하나이다. 현대 사회에서는 다양한 요인으로 인해 많은 이들이 수면 장애를 겪고 있다. 수면다원검사는 환자의 여러 생체신호를 종합하여 수면 장애를 진단하는 검사이다. 수면다원검사 결과는 수면 전문가에 의해 분석되는데 이는 시간을 많이 소모하는 작업이다. 따라서 수면다원검사 분석의 자동화는 많은 수면 전문가들의 관심 분야이다. 수면 단계는 수면다원검사를 통해 취득할 수 있는 정보 중 하나다. 각 수면 단계별로 뚜렷한 특징이 존재하기 때문에 자동화하기 쉬운 작업에 속하며 이에 관한 활발한 연구가 진행되고 있다. 본 논문에서는 새로운 수면 단계 분류 모델인 SleepImageNet과 제안된 모델을 학습시키기 위한 이미지화된 생체신호 데이터를 소개한다. SleepImageNet은 EfficientNet-B0와 LSTM을 결합한 모델로 수면 이미지 데이터의 공간적 특성과 시계열 특성을 모두 고려한다. 더 나아가 SleepImageNet을 최적화하기 위한 세 가지 기법을 소개한다. 각 방법은 CNN의 위치 독립적 특성을 방해하기 위한 배경값 추가, 다중 기관 데이터셋임을 고려한 모델 확장, 수면 신호가 모델에 미치는 영향을 분석한 채널 선별이다. SleepImageNet는 공공 데이터셋과 의료기관으로부터 전달받은 데이터셋, 두 데이터셋 모두에서 기존 수면 단계 분류 모델과 비교하여 좋은 성능을 가진다. 또한 사람이 시각적으로 이해할 수 있는 이미지를 입력으로 하였기 때문에 CAM을 통해 모델의 출력 결과를 이해할 수 있게 한다.
Sleep is one of the important factors for the health, and sleep disorders are taken seriously since poor sleep can have a negative impact on one’s entire well-being. The polysomnography(PSG) is a test to identify sleep problems by analyzing a patient's various bio-signals. A sleep specialist analyze...
Sleep is one of the important factors for the health, and sleep disorders are taken seriously since poor sleep can have a negative impact on one’s entire well-being. The polysomnography(PSG) is a test to identify sleep problems by analyzing a patient's various bio-signals. A sleep specialist analyzes the PSG data, which is a time-consuming process. Therefore, many sleep specialists are interested in the automation of PSG analysis. One of the information that can be observed from a PSG is the sleep stage. Each stage of sleep has unique characteristics, thus it belongs to a task that is simple to automate. In this paper, we introduce a novel sleep stage classification model named SleepImageNet and imaged bio-signal data to train the model. SleepImageNet is a model that combines EfficientNet-B0 and LSTM, which considers both the spatial and temporal features. Furthermore, we introduce three optimization methods for SleepImageNet. The first method is the background addition to interrupt the translation invariance in CNN. The second method is model expansion for multi-institution dataset, and the last is selecting a channel by analyzing how each sleep signal affects the model. SleepImageNet achieves higher performance compared to existing sleep stage classification models. Also we can use CAM to understand output of the model. The SleepImageNet model applying the proposed techniques also enables classification of data that was difficult to classify in existing models and achieves the best performance of the experiments conducted in this paper. SleepImageNet achieves higher performance compared to existing sleep stage classification models on both public and medical institution datasets. Furthermore, because human-readable images are used as input, CAM allows explanation of the model's output results.
Sleep is one of the important factors for the health, and sleep disorders are taken seriously since poor sleep can have a negative impact on one’s entire well-being. The polysomnography(PSG) is a test to identify sleep problems by analyzing a patient's various bio-signals. A sleep specialist analyzes the PSG data, which is a time-consuming process. Therefore, many sleep specialists are interested in the automation of PSG analysis. One of the information that can be observed from a PSG is the sleep stage. Each stage of sleep has unique characteristics, thus it belongs to a task that is simple to automate. In this paper, we introduce a novel sleep stage classification model named SleepImageNet and imaged bio-signal data to train the model. SleepImageNet is a model that combines EfficientNet-B0 and LSTM, which considers both the spatial and temporal features. Furthermore, we introduce three optimization methods for SleepImageNet. The first method is the background addition to interrupt the translation invariance in CNN. The second method is model expansion for multi-institution dataset, and the last is selecting a channel by analyzing how each sleep signal affects the model. SleepImageNet achieves higher performance compared to existing sleep stage classification models. Also we can use CAM to understand output of the model. The SleepImageNet model applying the proposed techniques also enables classification of data that was difficult to classify in existing models and achieves the best performance of the experiments conducted in this paper. SleepImageNet achieves higher performance compared to existing sleep stage classification models on both public and medical institution datasets. Furthermore, because human-readable images are used as input, CAM allows explanation of the model's output results.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.