技術的概要：信頼性の高い睡眠段階分類のためのコンフリクト認識証拠フレームワーク

問題定義

自動睡眠段階分類は、睡眠障害の診断において重要なタスクであり、従来は専門家がポリソムノグラフィ（PSG）データを用いて手動で行われてきたが、このプロセスは時間がかかり、労働集約的である。機械学習モデルがこのプロセスを加速してきたが、既存のマルチビュー手法（EEG や EOG などの複数のモダリティを利用する）は、信頼性という重大な課題に直面している。現在のほとんどのアプローチは、異なるビューが適切に整合していることを前提とし、それらに固定または等しい重みを割り当てている。しかし、現実世界のシナリオでは、信号ノイズ、生理学的変動、または信号特性の固有の違いにより、異なるモダリティがしばしば矛盾する情報を提供する。既存の手法は、これらのビュー間コンフリクトを検出したり適切に処理したりすることに失敗することが多く、結果としてステージングの信頼性が損なわれる。さらに、標準的な深層学習モデルは、低品質または矛盾するデータに直面しても、過剰に自信を持った予測を行う傾向がある。

手法：ConfSleepNet

著者らは、ビュー間コンフリクトを動的に解決し、信頼性の高い共同意思決定を生成するように設計された、コンフリクト認識証拠フレームワークであるConfSleepNetを提案する。このフレームワークは、マルチビュー証拠抽出とコンフリクト認識集約の 2 つの主要なフェーズで動作する。

1. ハイブリッド構造によるマルチビュー証拠抽出

すべてのモダリティを均一な 5 クラス分類構造で扱う従来の手法とは異なり、ConfSleepNet は EEG と EOG 信号の生理学的相補性を活用し、ハイブリッドカテゴリ構造を採用する：

• EEG とマルチビュー入力： 証拠深層ニューラルネットワーク（DNN）（$f_1$および$f_2$）を介して処理され、5 つの睡眠段階（覚醒、N1、N2、N3、REM）のすべてのための微細粒度の証拠を学習する。
• EOG 入力： 証拠 DNN（$f_3$および$f_4$）を介して処理され、3 つのカテゴリ（覚醒、REM、および結合された NREM 段階）のための粗粒度の証拠を学習する。この設計は、EOG が REM の特定に特に効果的である一方、EEG に比べて特定の NREM サブ段階の識別にはあまり効果的ではないという事実を認識している。

このアーキテクチャは、異なるカーネルサイズを持つ並列畳み込みブランチを採用し、GCNet-1D 注意モジュールとクロスアテンション機構によって強化され、時間周波数特徴とモダリティ間相互作用を捉える。双方向 LSTM 層は、連続するエポック間の段階遷移パターンをモデル化する。

2. 証拠マッピング

融合前に、EOG ベースのネットワークからの粗粒度証拠ベクトル（3 クラス）は、固定された証拠マッピング層を用いて微細粒度ベクトル（5 クラス）にマッピングされる。この変換は、結合された NREM カテゴリの証拠をそのサブ段階（N1、N2、N3）間で均等に分配しつつ、覚醒と REM のための総証拠量を維持する。

3. コンフリクト認識マルチビュー集約（CMAM）

核心的な革新は、証拠深層学習（EDL）と主観論理を利用する集約フェーズにある：

• 意見構築： 各ビューの証拠はディリクレ分布に変換され、信念質量（予測確率）と不確実性質量からなる「主観的意見」を生成する。
• コンフリクト指標： 新しい指標が、信念質量の乖離に基づいて、任意の 2 つの意見間のコンフリクトの度合いを定量化する。
• 集約規則： フレームワークは、**コンフリクト認識マルチビュー集約（CMAM）**手法を導入する。以前の手法が、整合するビューを追加する際に不確実性を盲目的に減少させたり、コンフリクトを考慮しなかったりするのとは異なり、CMAM はコンフリクト度に基づいて最終的な共同意見を明示的に調整する：
  • 整合するビュー： 整合する意見を取り入れることは、全体的な不確実性を減少させ、信頼性を高める。
  • 矛盾するビュー： 高い不確実性を持つ矛盾する意見を取り入れることは、共同意思決定の全体的な不確実性を増加させ、無理な合意形成を行うのではなく、信頼性の低いビューを効果的に重み付け低下させる。

4. 学習戦略

モデルは、以下の損失関数を組み合わせて共同学習される：

• 精度損失： 真のラベルカテゴリに対する証拠が総証拠に近づくことを促す。
• KL 発散： 誤ったクラスに高い証拠を割り当てるモデルを罰し、誤分類されたサンプルについては総証拠が減少（高い不確実性）することを促す。過早な収束を防ぐために、KL 項の重みを徐々に増加させるアニーリング係数が使用される。

主要な貢献

1. ConfSleepNet フレームワーク： 粗粒度（EOG 用）と微細粒度（EEG 用）のハイブリッドカテゴリ構造を導入する証拠フレームワークの提案。これにより、分化されたかつ生理学的に整合した証拠学習を促進する。
2. コンフリクト認識集約： ビュー間コンフリクトを明示的に定量化および管理する新しい集約手法（CMAM）の開発。理論的解析により、この手法が整合するビューでは不確実性を正しく減少させ、矛盾するビューでは不確実性を増加させることを示しており、既存の EDL ベースの融合手法の限界を克服している。
3. 実証的検証： 4 つの公開データセット（SleepEDF-20、SleepEDF-78、MASS-SS3、SHHS）における広範な評価により、単一ビュー、マルチビュー、および不確実性認識手法を含む最先端のベースラインを上回る性能を示した。

実験結果

本論文は、ConfSleepNet がすべてのテストデータセットで最先端の性能を達成したと報告している：

• 精度と F1 スコア： ConfSleepNet は、DeepSleepNet、XSleepNet、および現在の不確実性認識の最先端である TMCEK などのベースラインを上回った。例えば、SleepEDF-20 データセットでは、87.2% の精度と 81.8% のマクロ F1 スコアを達成し、精度において次の最良の手法を 0.4% から 2.0% 上回った。
• 特定段階の改善： 特徴の類似性により混同されやすい REM と覚醒段階の分類において、モデルは特に改善を示した。
• アブレーション研究： 実験により、ハイブリッドカテゴリ構造とコンフリクト認識集約戦略の両方が不可欠であることが確認された。コンフリクト認識メカニズムを除去（平均融合に置き換え）したり、均一なカテゴリ構造を使用したりすると、性能が低下した。
• コンフリクト分析： コンフリクト度の可視化により、ビュー間コンフリクトは、安定した段階に比べて睡眠段階の遷移時（例：N2 から N3 へ）に有意に高いことが明らかになり、コンフリクト認識メカニズムの必要性が裏付けられた。
• 汎用性： CMAM 手法は、一般のマルチビューベンチマーク（HandWritten、Scene15、CUB、PIE）でもテストされ、他の証拠および融合手法に一貫して上回ったことから、睡眠ステージングを超えた適用可能性が示唆された。

意義と主張

著者らは、ConfSleepNet が、マルチモーダル生理学的データに内在する不確実性と潜在的なコンフリクトを明示的にモデル化することで、より堅牢で信頼性の高い自動睡眠ステージングアプローチを提供すると主張する。

• 臨床的関連性： ステージングの信頼性を向上させること、特に REM などの臨床的に重要な段階において、自動化された睡眠障害診断の実践的応用に対して肯定的な含意を持つ。
• 理論的妥当性： 本論文は、提案された集約手法が、整合するビューでは不確実性を減少させ、矛盾するビューでは増加させるという原則を満たすことを示す理論的証明を提供しており、これは既存の融合技術においてしばしば欠けている特性である。
• 汎用性： 一般のマルチビューデータセットにおけるフレームワークの成功は、コンフリクト認識証拠アプローチが、異質で潜在的に矛盾するデータソースを含むシナリオにおける信頼性の高い意思決定のための汎用化可能な解決策であることを示唆している。

この研究は、コンフリクト評価に基づいて各ビューの重要性を動的に調整することにより、ConfSleepNet が誤った予測のリスクを効果的に軽減し、睡眠ステージングの自動化において重要な前進をもたらすことを結論付けている。