[논문]안전도, 뇌파도, 근전도 분석을 통한 수면 단계 분류

김형욱; 이영록; 박동규

doi:10.9717/kmms.2019.22.12.1491

안전도, 뇌파도, 근전도 분석을 통한 수면 단계 분류
Classification of Sleep Stages Using EOG, EEG, EMG Signal Analysis 원문보기

멀티미디어학회논문지 = Journal of Korea Multimedia Society, v.22 no.12, 2019년, pp.1491 - 1499

김형욱 (Dept. of Information and Communications Engineering, Changwon National University) , 이영록 (Dept. of Eco-friendly Offshore FEED Engineering, Changwon National University) , 박동규 (Dept. of Information and Communications Engineering, Changwon National University)

Abstract ▼ AI-Helper

Insufficient sleep time and bad sleep quality causes many illnesses and it's research became more and more important. The most common method for measuring sleep quality is the polysomnography(PSG). The PSG is a test used to diagnose sleep disorders. The most common PSG data is obtained from the examiner, which attaches several sensors on a body and takes sleep overnight. However, most of the sleep stage classification in PSG are low accuracy of the classification. In this paper, we have studied algorithm for sleep level classification based on machine learning which can replace PSG. EEG, EOG, and EMG channel signals are studied and tested by using CNN algorithm. In order to compensate the performance, a mixed model using both CNN and DNN models is designed and tested for performance.

주제어

표/그림 (8)

그림 Fig. 1. Histogram of sleep cycle stage.
표 Table 1. Frequency Range and Brain Condition by Type of EEG
그림 Fig. 2. Physionet dataset preprocessing steps and various signal processing.
그림 Fig. 3. Spectrogram images of the four sleep stages of the EOG channel.
그림 Fig. 4. Sleep stages classification structure of mixed model.
표 Table 2. Comparison of sleep stage classification methods and accuracy with other studies
표 Table 3. Sleep stages classification accuracy of EEG, EOG, EMG with CNN model
표 Table 4. Performance evaluation of CNN model and mixed model

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 기존의 수면다원검사 데이터를 바탕으로 수면의 질을 판독할 수 있는 머신러닝 기반의 자동화된 수면 단계 분류 알고리즘을 연구하였다. 일반적으로 수면 단계 분류에 많이 사용되는 뇌파도만을 사용한 이전의 연구들과는 달리 안전도와 근전도를 사용하여 각 신호 별 판독 정확도를 비교 분석하였으며 그 결과 여러 생체신호 중에서 안전도를 사용했을 때 가장 높은 성능을 보였다.
비교 결과 안전도를 사용했을 때 모든 수면 단계에서 다른 신호를 사용했을 때보다 높은 정확도를 보였다. 본 연구에서는 성능을 더욱 향상시키기 위해서 다른 수면 단계보다 상대적으로 낮은 LS 단계의 정확도 개선을 위하여 완전 연결 계층으로만 구성되어 있는 DNN(Deep Neural Networks) 알고리즘을 추가한 혼합 모델을 설계하였다. 다음은 본 연구에서 사용된 각 신경망 알고리즘에 대한 설명이다.
본 연구에서는 수면 단계 분류의 정확도를 조금 더 높이기 위한 방법으로 앞서 설명한 두 모델을 모두 활용한 혼합 모델을 설계하였다. Fig.
본 연구에서는 LS 단계 분류 정확도를 조금 더 높이기 위해 완전연결 계층으로만 구성된 신경망 알고리즘을 사용하였다. 이는 기존의 여러 연구 결과로 나타난 뇌파도 특성이 수면 단계마다 델타파, 세타파, 알파파, 베타파의 분포가 다르다는 것을 이용하기 위해서이다. 따라서 3장에서 기술된 뇌파도 신호의 8개 특징 값을 1차원 배열로 나열하여 신경망 알고리즘의 학습 데이터로 사용하였다.

제안 방법

일반적으로 수면 단계 분류에 많이 사용되는 뇌파도만을 사용한 이전의 연구들과는 달리 안전도와 근전도를 사용하여 각 신호 별 판독 정확도를 비교 분석하였으며 그 결과 여러 생체신호 중에서 안전도를 사용했을 때 가장 높은 성능을 보였다. 또한 DNN 모델과 CNN 모델을 혼합한 모델을 설계하였으며 단일 CNN 모델과 비교 분석하였다. 혼합 모델에서는 LS 단계에서의 예측 정확도를 개선하여 전체 모델의 판독 성능을 향상시켰다.
또한 보다 많은 특징들을 확보하기 위해서 위의 주파수 밴드별 진폭 값의 제곱 값도 학습에 사용하였다. 식 (3)에서 S는 해당 주파수 밴드별 진폭 값의 합으로 h는 주파수, n은 진폭 값을 가지는 유효 주파수의 최댓값, Amp²은 각 주파수의 진폭 값의 제곱 값, x는 델타파, 세타파, 알파파, 베타파를 나타낸다.
Rahman 등은 단일 채널 안전도를 DWT(Discrete Wavelet Transform)를 이용한 특징 추출 방법을 제안하였다. 또한 추출된 특징을 NCA(Neighborhood Component Analysis)를 이용해서 전처리한 후에 랜덤 포레스트(Random Forest)와 서포트 벡터 머신(Support Vector Machine : SVM)을 이용해서 수면 단계를 분류하였다[10].
머신러닝에서 많이 사용되는 CNN 알고리즘은 이미지 데이터를 이용하기 때문에, 뇌파도, 안전도, 근전도 채널 신호를 학습 및 테스트를 위한 640x480 크기를 가지는 스펙트로그램 이미지로 만들었다. 스펙트로그램이란 소리의 스펙트럼을 시각화하여 그래프로 표현한 기법으로, 시간 축과 주파수상에 따른 진폭의 차이를 색상으로 표현한 것을 말한다.
본 연구에서는 수면 단계 분류를 위하여 뇌파도, 안전도, 근전도를 사용하였으며, 해당 채널 신호들을 스펙트로그램 이미지로 변환하여 사용하였다. 변환된 스펙트로그램 이미지는 CNN 알고리즘을 이용해 학습 및 테스트하였으며, 이때 사용한 CNN 알고리 즘은 Inception. v3 모델이다[14].
본 논문에서는 수면다원검사를 자동화하기 위해서 수면 단계 분류에 많이 사용되는 뇌파도(Electroencephalogram : EEG), 근전도(Electromyogram : EMG) 뿐만 아니라 안전도(Electrooculogram : EOG)를 머신러닝 기반의 알고리즘을 이용해서 비교 분석하였다.
본 연구에서는 CNN 알고리즘과 함께 심층 신경망 알고리즘도 적용하여 수면단계의 예측의 정확도를 향상시켰다. 수면 단계의 분류에서는 뇌파의 상태가 중요한 특징이므로 뇌파의 대역을 주로 분석하였다.
이는 LS 단계 구분 정확도를 조금 더 높이기 위한 방법이다. 본 연구에서는 DNN 모델에서 LS 단계라고 예측을 한다면 이를 바로 최종 예측으로 간주하고, LS 단계가 아니라고 예측한다면 해당 데이터를 스펙트로그램 이미지로 변환하여 CNN 모델을 통해 다시 DS, LS, Wake, REM 4개 단계의 클래스로 예측을 수행한다.
수면 단계의 분류에서는 뇌파의 상태가 중요한 특징이므로 뇌파의 대역을 주로 분석하였다. 본 연구에서는 뇌파도를 대역 통과 필터를 사용하여 델타파, 세타파, 알파파, 베타파로 총 4개 대역으로 필터링하였으며, 이를 FFT(Fast Fourier Transform) 변환을 사용해 식 (1)과 같이 대역별 진폭 값의 합으로 나타내었다. 식 (1)에서 S는 해당 주파수 밴드별 진폭 값의 합으로 h는 주파수, n은 진폭 값을 가지는 유효 주파수의 최댓값, Amp는 각 주파수의 진폭 값, x는 델타파, 세타파, 알파파, 베타파를 나타낸다.
본 연구에서는 수면 단계 분류를 위하여 뇌파도, 안전도, 근전도를 사용하였으며, 해당 채널 신호들을 스펙트로그램 이미지로 변환하여 사용하였다. 변환된 스펙트로그램 이미지는 CNN 알고리즘을 이용해 학습 및 테스트하였으며, 이때 사용한 CNN 알고리 즘은 Inception.
본 연구에서는 수면 단계 분류를 위해 머신러닝 기반의 알고리즘을 사용하였으며, 이때 사용한 데이터로는 뇌파도, 안전도, 근전도가 있으며, 이러한 신호들의 특성은 다음과 같다.
본 연구에서는 수면 단계 분류에 흔히 사용되는 뇌파도 뿐만 아니라 안전도, 근전도를 스펙트로그램 이미지로 변환하여 CNN 모델을 학습 및 테스트하여 비교 분석하였다. 비교 결과 안전도를 사용했을 때 모든 수면 단계에서 다른 신호를 사용했을 때보다 높은 정확도를 보였다.
본 연구의 결과를 평가하기 위한 방법으로 정확도, 예측도, 민감도, 특이도를 사용하였으며 각각에 대한 설명은 다음과 같다.
본 연구에서는 CNN 알고리즘과 함께 심층 신경망 알고리즘도 적용하여 수면단계의 예측의 정확도를 향상시켰다. 수면 단계의 분류에서는 뇌파의 상태가 중요한 특징이므로 뇌파의 대역을 주로 분석하였다. 본 연구에서는 뇌파도를 대역 통과 필터를 사용하여 델타파, 세타파, 알파파, 베타파로 총 4개 대역으로 필터링하였으며, 이를 FFT(Fast Fourier Transform) 변환을 사용해 식 (1)과 같이 대역별 진폭 값의 합으로 나타내었다.
6의 확률로, 배치사이즈(batch size)는 100개로 하였으며 3개 은닉층을 사용하였다. 은닉층의 노드 개수는 각각 512개로 구성하였기 때문에 입력층과 출력층을 포함해 총 5개의 층으로 구성된 신경망 알고리즘을 사용하였다.
여기서 광용적맥파는 빛을 이용하여 혈관의 변화 시 나타나는 생체조직의 빛에 대한 반사율, 흡수율, 투과율 등의 특성을 나타내는 신호를 말한다. 이러한 광용적맥파를 대역 통과 필터를 통해 필터링하였으며, 적응 문턱치 알고리즘을 이용해 펄스의 최대 점을 검출하는 방식으로 특징을 추출하여 SVM 분류기로 수면 단계를 분류하였다[11].
4는 DNN 모델과 CNN 모델을 모두 활용한 혼합 모델의 수면 단계 분류 방법의 구조에 대해 나타낸 것이다. 입력 데이터에 대하여 특징들을 추출하고 이를 DNN 알고리즘을 이용하여 LS 단계와 그 외 단계(DS, REM, Wake) 두 개의 클래스에 대하여 분류를 한다. 이는 LS 단계 구분 정확도를 조금 더 높이기 위한 방법이다.
데이터에는 수면주기 판독결과도 포함되어있으며 별도의 텍스트 파일로 제공된다. 판독결과는 총 6단계로 제공되나 본 연구에서는 임상단계에서 중요하게 인식하는 수면 단계를 알아보기 위하여, 수면단계를 1단계와 2단계를 Light Sleep(LS) 단계, 3단계와 4단계를 Deep Sleep(DS) 단계로 묶어 DS, LS, REM, Wake 총 4개 단계의 분류를 활용하였다.

대상 데이터

수면 단계 분석을 위하여 사용한 데이터는 Physio Net 라이브러리에서 제공되는 CAP(Cyclic Alternating Pattern) 수면 데이터베이스이다. CAP 수면 데이터베이스는 이탈리아 수면 장애 센터에 등록된 수면다원검사 데이터로 구성되어 있으며, EDF(European Data Format) 형식으로 기록되어있다[12,13]. EDF는 멀티채널 신호의 저장을 위한 형식으로 일반적으로 수면다원검사 기록에 많이 사용된다.
3은 안전도 신호의 수면 단계별 스펙트로그램 이미지를 나타낸 것으로 단계별로 색상 및 주파수 분포가 다른 것을 알 수 있다. 각 수면 단계별로 10,000장씩의 이미지를 확보해서 총 40,000장의 이미지가 본 연구의 데이터로 사용되었다.
이는 기존의 여러 연구 결과로 나타난 뇌파도 특성이 수면 단계마다 델타파, 세타파, 알파파, 베타파의 분포가 다르다는 것을 이용하기 위해서이다. 따라서 3장에서 기술된 뇌파도 신호의 8개 특징 값을 1차원 배열로 나열하여 신경망 알고리즘의 학습 데이터로 사용하였다.
근육의 전기 활동을 활용하기 때문에 전극의 부착위치에 따라서 다양한 종류의 근전도가 있다. 본 연구에서 사용된 신호는 근전도들 중에서 턱의 위치에 전극을 부착하여 얻어지는 턱 근전도를 사용하였다.
수면 단계 분석을 위하여 사용한 데이터는 Physio Net 라이브러리에서 제공되는 CAP(Cyclic Alternating Pattern) 수면 데이터베이스이다. CAP 수면 데이터베이스는 이탈리아 수면 장애 센터에 등록된 수면다원검사 데이터로 구성되어 있으며, EDF(European Data Format) 형식으로 기록되어있다[12,13].

이론/모형

본 연구에서 사용한 신경망 알고리즘은 DNN 알고리즘은 특이도를 기준으로 가장 높은 분류성능을 보인 파라미터를 사용하였다. 이에 따라 학습률은 0.
안전도에 대하여 CNN 모델을 사용하여 수면단계를 분류할 때 가장 문제가 되는 것은 LS 단계의 분류 정확도이다. 본 연구에서는 LS 단계 분류 정확도를 조금 더 높이기 위해 완전연결 계층으로만 구성된 신경망 알고리즘을 사용하였다. 이는 기존의 여러 연구 결과로 나타난 뇌파도 특성이 수면 단계마다 델타파, 세타파, 알파파, 베타파의 분포가 다르다는 것을 이용하기 위해서이다.

성능/효과

본 연구에서는 수면 단계 분류에 흔히 사용되는 뇌파도 뿐만 아니라 안전도, 근전도를 스펙트로그램 이미지로 변환하여 CNN 모델을 학습 및 테스트하여 비교 분석하였다. 비교 결과 안전도를 사용했을 때 모든 수면 단계에서 다른 신호를 사용했을 때보다 높은 정확도를 보였다. 본 연구에서는 성능을 더욱 향상시키기 위해서 다른 수면 단계보다 상대적으로 낮은 LS 단계의 정확도 개선을 위하여 완전 연결 계층으로만 구성되어 있는 DNN(Deep Neural Networks) 알고리즘을 추가한 혼합 모델을 설계하였다.
특히 LS 단계에서의 민감도가 46%에서 50%로 향상된 것을 알 수 있다. 이에 따라 제안된 혼합모델은 모든 수면 단계에서 다른 채널 신호보다 높은 정확도, 민감도, 특이도를 보여서 기존 CNN 모델과 비교하여 성능 개선이 있었음을 알 수 있다.
본 연구에서는 기존의 수면다원검사 데이터를 바탕으로 수면의 질을 판독할 수 있는 머신러닝 기반의 자동화된 수면 단계 분류 알고리즘을 연구하였다. 일반적으로 수면 단계 분류에 많이 사용되는 뇌파도만을 사용한 이전의 연구들과는 달리 안전도와 근전도를 사용하여 각 신호 별 판독 정확도를 비교 분석하였으며 그 결과 여러 생체신호 중에서 안전도를 사용했을 때 가장 높은 성능을 보였다. 또한 DNN 모델과 CNN 모델을 혼합한 모델을 설계하였으며 단일 CNN 모델과 비교 분석하였다.

후속연구

본 연구에서는 혼합 모델을 사용해 예측 정확도를 개선하였지만, 이를 더욱 개선할 방안에 대한 연구가 필요하다. 또한 각종 생체 신호 데이터를 정밀하게 수집하기 위한 향상된 하드웨어를 개발이 필요하며, 학습된 모델을 통해 실시간으로 수면의 질을 측정할 수 있는 시스템 등에 관한 지속적인 연구가 필요하다.
본 연구에서는 혼합 모델을 사용해 예측 정확도를 개선하였지만, 이를 더욱 개선할 방안에 대한 연구가 필요하다. 또한 각종 생체 신호 데이터를 정밀하게 수집하기 위한 향상된 하드웨어를 개발이 필요하며, 학습된 모델을 통해 실시간으로 수면의 질을 측정할 수 있는 시스템 등에 관한 지속적인 연구가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	수면다원검사란 무엇인가?	수면 단계를 분류하기 위한 방법 중 가장 많이 이용되는 방법으로는 수면다원검사(Polysomnography)가 있다. 수면다원검사란 다양한 신체 신호를 기록할 수 있는 센서를 부착하고 수면기간 동안 검사를 진행하며, 수집된 데이터를 바탕으로 정해진 판독 기준에 의해 전문판독사가 피검사자의 수면 상태에 대해 판독을 하는 검사이다. 이러한 수면다원검사는 객관적인 판독기준을 바탕으로 진행되지만 판독사의 숙련도와 주관에 따라 검사 결과에 따라 영향을 줄 수 있다.
	LS 단계 구분 정확도를 조금 더 높이기 위한 방법은 무엇인가?	4는 DNN 모델과 CNN 모델을 모두 활용한 혼합 모델의 수면단계 분류 방법의 구조에 대해 나타낸 것이다. 입력데이터에 대하여 특징들을 추출하고 이를 DNN 알고리즘을 이용하여 LS 단계와 그 외 단계(DS, REM, Wake) 두 개의 클래스에 대하여 분류를 한다. 이는 LS 단계 구분 정확도를 조금 더 높이기 위한 방법이다.
	수면다원검사 결과에 영향을 주는 요소는 무엇인가?	수면다원검사란 다양한 신체 신호를 기록할 수 있는 센서를 부착하고 수면기간 동안 검사를 진행하며, 수집된 데이터를 바탕으로 정해진 판독 기준에 의해 전문판독사가 피검사자의 수면 상태에 대해 판독을 하는 검사이다. 이러한 수면다원검사는 객관적인 판독기준을 바탕으로 진행되지만 판독사의 숙련도와 주관에 따라 검사 결과에 따라 영향을 줄 수 있다. 또한 7∼8시간이라는 긴 시간의 데이터를 수작업으로 판독해야 해서 많은 시간이 소요되고 비용이 비싸다는 단점이 있다.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증