睡眠障害の診断および睡眠習慣の分析には、睡眠段階の正確な特定が重要です。手動スコアリング方法は一般的ですが、その作業プロセスは膨大であり、内因的に変動性を伴います。これらの制限を克服するために、本研究では、単一チャネルの脳波（EEG）から睡眠段階を分類できるハイブリッド深層学習システムであるAdvancedSleepClassifierを紹介します。提案されたモデルは、膨張畳み込みニューラルネットワーク（CNN）統合、圧縮と励起ブロック、双方向長短期記憶（LSTM）層、マルチヘッド自己注意の使用によってEEG情報の時間的および周波数的側面を活用しようとします。このアプローチは、システムが従来のEEG分析技術に準拠しつつ、自動化プロセスおよび結果を促進することを保証します。評価は、自由に利用可能なコインブラ大学システム・ロボティクス研究所（ISRUC-Sleep）とスリープ・ヨーロッパデータフォーマット（SleepEDF）のデータを基に行われました。EEG録音は30秒ごとのセグメントに分割され、その後フィルタリング、正規化され、5つの周波数帯域内でパワースペクトル密度（PSD）が計算されました。スペクトル-時間特徴抽出を同時に行うことにより、アーキテクチャは生のEEGデータとPSD特徴の両方の使用を可能にします。チームは、データの変動に基づくクラスカウント問題のバランスを取るために、重み付き交差エントロピー損失とデータ拡張を適用しました。モデルは、被験者バイアスなしで10-fold交差検証が行われ、二クラス、三クラス、四クラス、および五クラスのタスクに対して、精度、F1スコア、ROC曲線下面積（AUC-ROC）指標を使用してテストされました。AdvancedSleepClassifierは、異なるクラスの詳細レベルにおいて正確で信頼できる分類結果を提供することができました。最大精度は、二クラス分類（覚醒 vs. 睡眠）で97.2%、三クラス（覚醒、NREM、REM）で91.3%、四クラスで89.4%、五クラス分類でSleepEDFにおいて85.07%でした。臨床的に重要な段階、特に覚醒においては、F1スコアが非常に高くなりました。分類器は、覚醒に対して0.94、N3に対して0.87のF1スコアを示しました。強力なクラス分離のサポートにより、ROC-AUCスコアはほとんどの状況で0.98を超えました。Grad-CAM（勾配加重クラス活性化マッピング）とt-分布確率的近傍埋め込み（t-SNE）の使用は、モデルによって見出された特徴の生理的関連性を追加でサポートしました。このモデルは、単一チャネルからのEEGデータを用いて自動睡眠段階タスクに対し、解釈可能で有用な解決策を提供する大きな可能性を示しています。異なるクラス構造を持つさまざまなデータセットでの良好な一般化を示しつつ、臨床的な重要性と高い信頼性を維持します。将来の研究では、モデルをマルチモーダル信号に拡張し、携帯型健康モニタリングデバイスでのリアルタイムデプロイメントのために最適化することが含まれるかもしれません。
Sahu et al.（金曜日）はこの問題を研究しました。