[논문]가속도 센서 데이터 기반 수면단계 예측 및 수면주기의 추정

강경우; 김태선

doi:10.7471/ikeee.2019.23.4.1273

초록
AI-Helper

수면 질환에 사용되는 수면다원검사는 그 비용 및 시간적 제약으로 새로운 대안을 찾을 필요가 절실하다. 최근 웨어러블 헬스기기가 대중화 되면서 기존의 액티그래피를 이용한 수면분석을 대신하려는 다양한 연구가 되고 있으나 이들 기기의 데이터 및 알고리즘은 접근성 및 성능에 있어 매우 제한적인 상황이다 본 논문에서는 자체 제작된 가속도계 센서모듈을 이용한 수면 중 움직임 정보를 이용하여 AASM표준 방식 기준으로 분류된 수면 단계를 예측하고, 센서의 움직임 정보와 뇌파의 δ파와 θ파의 파워스펙트럼 비교를 통해 수면의 주기를 추정할 수 있는 방법을 제시했다. 31명의 공개된 PSG 분석결과를 이용한 수면 단계 예측 결과 85.26%의 정확도를 보였다. 움직임 신호의 특성과 δ파와 θ파의 파워 변화를 비교한 결과 REM수면과 NREM수면의 반복 주기를 제시한 알고리즘으로 찾을 수 있는 가능성이 있음을 보였다.

Abstract ▼ AI-Helper

Though sleep polysomnography (PSG) is considered as a golden rule for medical diagnosis of sleep disorder, it is essential to find alternative diagnosis methods due to its cost and time constraints. Recently, as the popularity of wearable health devices, there are many research trials to replace con...

Though sleep polysomnography (PSG) is considered as a golden rule for medical diagnosis of sleep disorder, it is essential to find alternative diagnosis methods due to its cost and time constraints. Recently, as the popularity of wearable health devices, there are many research trials to replace conventional actigraphy to consumer grade devices. However, these devices are very limited in their use due to the accessibility of the data and algorithms. In this paper, we showed the predictive model for sleep stages classified by American Academy of Sleep Medicine (AASM) standard and we proposed the estimation of sleep cycle by comparing sensor data and power spectrums of δ wave and θ wave. The sleep stage prediction for 31 subjects showed an accuracy of 85.26%. Also, we showed the possibility that proposed algorithm can find the sleep cycle of REM sleep and NREM sleep.

주제어

표/그림 (7)

그림 Fig. 1. Designed sensor module. 그림 1. 센서모듈
그림 Fig. 2. System diagram of sleep analysis. 그림 2. 수면분석 시스템 구조도
그림 Fig. 3. Graph of band-pass filtered signal (upper：original, lower：filtered). 그림 3. 밴드패스 필터된 파형 그래프 (위：원신호, 아래：필터링 후)
그림 Fig. 4. Power of δ-wave and θ-wave (a) signals before smoothingand normalization (b) signals after smoothing and normalization. 그림 4. δ파와 θ파형의 파워 (a) 스무딩 및 정규화 이전 신호 (b) 스무딩 및 정규화 후의 신호
표 Table 1. Results of sleep stage prediction. 표 1. 수면 단계의 예측 성능
표 Table 2. Confusion matrix. 표 2. 혼동행렬
그림 Fig. 5. Estimation of sleep periodic using moving information and EEG(upper：moving information, lower：power of δ-wave and θ-wave). 그림 5. 움직임 정보와 뇌전도의 비교를 통한 수면의 주기성 추정(위：움직임 정보, 아래：δ파와 θ파형의 파워)

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 AASM표준 방식 기준으로 분류된 수면 단계를 예측 가능한 시스템을 제안했다. 소비자 등급의 웨어러블 스마트 헬스케어 기기들이 가지고 있는 가속도계 수준의 정보를 이용하여 수면평가의 골든룰로 여겨지는 PSG와 그 결과를 비교하였다.

가설 설정

통상적으로 깊은 수면에 빠진 경우의 뇌파는 δ파가 지배적이고 수면과 깨어있는 상태 중간의 여명상태에서는 θ파가 지배적이다. 초기 수면에 빠지는 시간을 제외하면 수면 중 움직임이 많은 경우는 각성 상태와 유사한 EEG 파형이 나타나는 REM수면 상태이고 움직임이 적은 기간은 NREM 수면 상태라는 가정 하에 뇌파와의 비교를 진행했다. 뇌파의 측정은 전두엽, 측두엽 및 후두엽 각각 2곳씩 총 6곳에서 측정되었다.

제안 방법

소비자 등급의 웨어러블 스마트 헬스케어 기기들이 가지고 있는 가속도계 수준의 정보를 이용하여 수면평가의 골든룰로 여겨지는 PSG와 그 결과를 비교하였다. 데이터 획득 및 원활한 실험을 위해 센서모듈을 자체 제작하였고 예측 알고리즘의 성능은 공개된 데이터베이스를 이용하여 검증하였다. ;검증결과 85.26%의 예측성능을 보여 의료등급의 수면분석으로 이용되기에는 그 한계가 있을 것으로 보이지만 각성과 수면시간의 구분에는 높은 정확도를 보였다.
본 논문에서는 AASM표준 방식 기준으로 분류된 수면 단계를 예측 가능한 시스템을 제안했다. 소비자 등급의 웨어러블 스마트 헬스케어 기기들이 가지고 있는 가속도계 수준의 정보를 이용하여 수면평가의 골든룰로 여겨지는 PSG와 그 결과를 비교하였다. 데이터 획득 및 원활한 실험을 위해 센서모듈을 자체 제작하였고 예측 알고리즘의 성능은 공개된 데이터베이스를 이용하여 검증하였다.
이에 현재 미국식품의약국(FDA)는 웰니스에 대한 조언 기능을 가진 소비자 등급의 웨어러블 장치에 법적인 규제를 하지 않고 있다[10]. 이러한 점을 고려하여 본 논문에서는 삼차원 가속도계를 이용하여 센서모듈을 제작하고 이 정보를 바탕으로 사용자의 수면 중 움직임을 파악하여 수면상태를 분석했다. 센서모듈을 통해 수집된 정보는 밴드패스 필터와 무빙 윈도우를 통한 전처리과정을 거쳐 랜덤 포레스트(Random forest) 분류기로 보내지고 이를 바탕으로 American Academy of Sleep Medicine (AASM) 의 기준에 따른 5가지의 수면 단계를 예측하했다.

대상 데이터

대신 Physionet 에 공개된 Apple watch의 가속도 정보와 동시에 측정된 PSG의 수면 단계 분석결과 데이터를 이용 하여 제안하는 수면단계예측 알고리즘의 성능을 평가하였다. 공개된 데이터는 2017년 6월부터 2019년 3월까지 University of Michigan에서 31명을 대상으로 측정되었다 [11]. 센서모듈을 통해 획득한 데이터의 전처리는 Matlab을 이용하였고 분류기는 WEKA를 사용하여 실험하였다.
초기 수면에 빠지는 시간을 제외하면 수면 중 움직임이 많은 경우는 각성 상태와 유사한 EEG 파형이 나타나는 REM수면 상태이고 움직임이 적은 기간은 NREM 수면 상태라는 가정 하에 뇌파와의 비교를 진행했다. 뇌파의 측정은 전두엽, 측두엽 및 후두엽 각각 2곳씩 총 6곳에서 측정되었다. 측정된 뇌파신호는 30초 간격으로 rectangular moving window를 취한 후 FFT를 통해 파워 스펙트럼 값을 얻게 된다.
제작된 센서모듈은 아직 의학적 검증을 거치지 못한 관계로 PSG와 동시 측정된 데이터가 없는 상황이다. 이에 본 논문에서 제안하는 알고리즘의 검증을 위해 Walch에 의해 공개된 가속도계 센서데이터와 PSG검사결과를 사용하였다[11]. 또한 센서모듈의 데이터를 바탕으로 수면뇌파의 특성과 비교 하여 수면의 주기성을 예측할 수 있는 가능성을 제시했다.

데이터처리

본 논문에서 제시한 센서모듈은 연구실 수준에서 제작된 것으로 직접 PSG를 통한 검증을 하기에는 비용 및 환경적으로 무리한 관계로, 수면 주기의 추정 및 뇌파와의 관계 비교실험에는 제작된 센서를 사용할 수 있었으나 수면단계 예측에는 비교평가지표가 없어 사용할 수 없었다. 대신 Physionet 에 공개된 Apple watch의 가속도 정보와 동시에 측정된 PSG의 수면 단계 분석결과 데이터를 이용 하여 제안하는 수면단계예측 알고리즘의 성능을 평가하였다. 공개된 데이터는 2017년 6월부터 2019년 3월까지 University of Michigan에서 31명을 대상으로 측정되었다 [11].
EEG신호는 수면 중 움직임 신호와 마찬가지로 PSG 검사에 사용되는 정보중의 하나라는 공통점을 갖지만, 통상 수면의 질을 평가하는데 움직임 정보보다는 더 상관 관계가 큰 것으로 여겨진다. 이에 제작한 센서모듈의 성능평가를 위해 PSG 검사를 진행할 수 없는 환경적인 제한 내에서 그 대안으로 수면뇌전도 신호를 동시에 측정하여 그 상관관계를 분석하여 수면 주기를 추정했다. 통상적으로 깊은 수면에 빠진 경우의 뇌파는 δ파가 지배적이고 수면과 깨어있는 상태 중간의 여명상태에서는 θ파가 지배적이다.

이론/모형

수면단계의 구분을 위한 대표적인 표준은 Rechtschaffen와 Kales(R&K)의 방법과 AASM의 방법이다[13]. 이 중, 본논문에서는 최근 더 널리 사용되는 AASM방법을 기준으로 했다. AASM방법에서는 수면을 각성, 세 단계의 NREM수면상태(N1, N2, N3) 및 REM수면의 다섯 단계로 나눈다.

성능/효과

데이터 획득 및 원활한 실험을 위해 센서모듈을 자체 제작하였고 예측 알고리즘의 성능은 공개된 데이터베이스를 이용하여 검증하였다. 검증결과 85.26%의 예측성능을 보여 의료등급의 수면분석으로 이용되기에는 그 한계가 있을 것으로 보이지만 각성과 수면시간의 구분에는 높은 정확도를 보였다. 또한 EEG신호와의 비교를 통해 제안한 알고리즘을 통해 수면 중의 주기성 파악이 가능할 수 있음을 보였다.
26%의 예측성능을 보여 의료등급의 수면분석으로 이용되기에는 그 한계가 있을 것으로 보이지만 각성과 수면시간의 구분에는 높은 정확도를 보였다. 또한 EEG신호와의 비교를 통해 제안한 알고리즘을 통해 수면 중의 주기성 파악이 가능할 수 있음을 보였다. 그러나, 현 수준은 소비자 등급의 웰니스 기기의 정보제공 수준으로 여겨지며, 정확한 수면단계의 예측 및 주기성 분석을 위해서는 추가적인 센서의 정보를 필요로 함이 불가피할 것으로 보인다.

후속연구

또한 EEG신호와의 비교를 통해 제안한 알고리즘을 통해 수면 중의 주기성 파악이 가능할 수 있음을 보였다. 그러나, 현 수준은 소비자 등급의 웰니스 기기의 정보제공 수준으로 여겨지며, 정확한 수면단계의 예측 및 주기성 분석을 위해서는 추가적인 센서의 정보를 필요로 함이 불가피할 것으로 보인다.

질의응답

핵심어	질문	논문에서 추출한 답변
	수면다원검사의 단점이자 문제점은?	PSG는 1960년대 이래 수면질환을 파악하는데 사용되는 가장 대표적인 의학표준으로 뇌파(EEG), 안전도(EOG), 턱 및 다리의 근전도(EMG), 심전도(ECG), 호흡, 몸의 위치, 혈액산 소포화도 및 코골이 소리 등 다양한 센서 정보를 측정하고 기록하여 이를 바탕으로 수면전문분석가를 통해 생리적 원인을 찾는 방식을 따른다[3]. 그러나, PSG는 수면센터에 머무르면서 한 번에 최소 5～6시간의 검사를 받아야 하고 고가의 검사비를 요구한다. 또한 시간과 장소에 대한 제약으로 장기 간에 걸친 진단이 불가능하다. 특히 생소한 검사실에서 센서들을 부착하고 수면을 취하는 동안 검사를 하게 되어 “first-night effect”이라 불리는 문제가 발생하는 경우가 많아 정상적인 진단이 어렵다[4].
	수면이란?	인간의 생활에 있어 수면은 건강한 일상생활을 위해 가장 중요한 요소 중의 하나이다. 이에 건강한 수면을 위한 관심은 계속 높아지고 있으나 도리어 수면으로 고통 받는 인구는 점점 늘어나고 있다.
	수면질환을 파악하는데 사용되는 대표적인 의학표준은?	수면질환의 진단을 위해서는 통상 수면다원검사(Polysomnography, PSG)를 실시하게 된다[2]. PSG는 1960년대 이래 수면질환을 파악하는데 사용되는 가장 대표적인 의학표준으로 뇌파(EEG), 안전도(EOG), 턱 및 다리의 근전도(EMG), 심전도(ECG), 호흡, 몸의 위치, 혈액산 소포화도 및 코골이 소리 등 다양한 센서 정보를 측정하고 기록하여 이를 바탕으로 수면전문분석가를 통해 생리적 원인을 찾는 방식을 따른다[3]. 그러나, PSG는 수면센터에 머무르면서 한 번에 최소 5～6시간의 검사를 받아야 하고 고가의 검사비를 요구한다.

참고문헌 (13)

National Health Insurance Service, "Tired sle ep disorder even after sleeping," https://www.nhis.or.kr/bbs7/boards/B0039/31445
A. Roebuck, V. Monasterio, E. Gederi, M. Osipov, J. Behar, A. Malhotra, T. Penzel, and G. D. Clifford, "A review of signals used in sleep analysis," Physiol. Meas., vol.35, no.1, pp.R1-R57, 2014. DOI: 10.1088/0967-3334/35/1/R1

상세보기
S. Roomkham, D. Lovell, J. Cheung and D. Perrin, "Promises and Challenges in the Use of Consumer-Grade Devices for Sleep Monitoring," IEEE Rev. Biomed. Eng., vol.11, pp.53-67, 2018. DOI: 10.1109/RBME.2018.2811735

상세보기
J. Newell, O. Mairesse, P. Verbanck, and D. Neu, "Is a one-night stay in the lab really enough to conclude? First-night effect and night-to-night variability in polysomnographic recordings among different clinical population samples," Psychiatry Res., vol.200, no.2, pp.795.801, 2012. DOI: 10.1016/j.psychres.2012.07.045

상세보기
A. Sadeh and C. Acebo, "The role of actigraphy in sleep medicine," Sleep Med. Rev., vol.6, no.2, pp.113-124, 2002. DOI: 10.1053/smrv.2001.0182

상세보기
E. M. Cespedes et al., "Comparison of selfeported sleep duration with actigraphy:Results from the Hispanic Community Health Study/Study of Latinos Sueno Ancillary Study," Amer. J. Epidemiol., vol.183, no.6, pp.561.573, 2016. DOI: 10.1093/aje/kwv251

상세보기
J. Cheung, J. M. Zeitzer, H. Lu and E. Mignot, "Validation of minute-to-minute scoring for sleep and wake periods in a consumer wearable device compared to an actigraphy device," Sleep Sci. and Prac., vol.2, no.11, 2018. DOI: 10.1186/s41606-018-0029-8
J. Cook., M. Prairie and D. Plante, "Utility of the Fitbit Flex to evaluate sleep in major depressive disorder: A comparison against polysomnography and wrist-worn actigraphy," J. Affect. Disord., vol.217, 2017. DOI: 10.1016/j.jad.2017.04.030
M. de Zambotti, J. G. Godino, F. C. Baker, J. Cheung, K. Patrick, and I. M. Colrain, "The boom in wearable technology:Cause for alarm or just what is needed to better understand sleep?" Sleep, vol.39, no.9, pp.1761.1762, 2016. DOI: 10.5665/sleep.6108

상세보기
M. Boulos, A. Brewer, C. Karimkhani, D. Buller, and R. Dellavalle, "Mobile medical and health apps: State of the art, concerns, regulatory control and certification," Online J. Public Health Informat., vol.5, no.3, p.229, 2014. DOI: 10.5210/ojphi.v5i3.4814
O. Walch, "Motion and heart rate from a wrist-worn wearable and labeled sleep from polysomnography," PhysioNet, 2019. DOI: 10.13026/hmhs-py35
S. Hamida, B. Ahmed, D. Cvetkovic, E. Jovanov, G. Kennedy, T. Penzel, "A New Era in Sleep Monitoring: The Application of Mobile Technologies in Insomnia Diagnosis," Mobile Health, vol.5,. pp.101-127, 2015. DOI: 10.1007/978-3-319-12817-7_5
S. Fallmann and L. Chen, "Computational Sleep Behavior Analysis:A Survey," IEEE Access, vol.7, pp.142421-142440, 2019. DOI: 10.1109/ACCESS.2019.2944801

상세보기

이 논문을 인용한 문헌

LOADING...

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

가속도 센서 데이터 기반 수면단계 예측 및 수면주기의 추정
Prediction of Sleep Stages and Estimation of Sleep Cycle Using Accelerometer Sensor Data 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (7)

표/그림 (7)

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (13)

이 논문을 인용한 문헌

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

가속도 센서 데이터 기반 수면단계 예측 및 수면주기의 추정 Prediction of Sleep Stages and Estimation of Sleep Cycle Using Accelerometer Sensor Data 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (7) 모든 표/그림 보기

표/그림 (7) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (13)

이 논문을 인용한 문헌

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

가속도 센서 데이터 기반 수면단계 예측 및 수면주기의 추정
Prediction of Sleep Stages and Estimation of Sleep Cycle Using Accelerometer Sensor Data 원문보기

초록
AI-Helper

표/그림 (7)

표/그림 (7)

AI 본문요약
AI-Helper