Unsupervised domain transfer: Overcoming signal degradation in sleep monitoring by increasing scoring realism

1. 문제 정의 (Problem)

• 배경: 수면 모니터링, 특히 '야생 (in the wild)' 환경에서의 모바일 수면 모니터링은 전극 접촉 불량, 기기 변이, 생리적 요인 등으로 인해 신호 열화 (신호 왜곡) 가 빈번하게 발생합니다.
• 현황: 기존 자동 수면 스코어링 모델 (예: U-Sleep) 은 훈련 데이터와 적용 데이터 간의 도메인 불일치 (Domain Mismatch) 에 취약합니다.
• 제약 사항: 기존의 무감독 (Unsupervised) 도메인 적응 방법은 타겟 도메인의 정답 레이블 (Ground Truth) 이 없으면 성능 향상에 한계가 있었습니다. 또한, 기존 연구들은 대부분 신호 자체를 복원 (Denoising) 하려는 시도에 집중했으나, 이는 특정 아티팩트 제거에 국한되는 경향이 있습니다.
• 핵심 질문: 레이블이 없는 타겟 도메인에서, 단순히 "현실적인 (Realistic)" 수면 단계 그래프 (Hypnogram) 를 생성하도록 모델을 유도함으로써 신호 열화를 극복하고 분류 정확도를 높일 수 있는가?

2. 방법론 (Methodology)

이 연구는 적대적 도메인 전이 (Adversarial Domain Transfer) 프레임워크를 기반으로 한 **'구별자 (Discriminator) 지시 미세 조정 (Discriminator-guided fine-tuning)'**을 제안합니다.

가. 핵심 가설

수면 단계 그래프 (Hypnogram) 는 특정 패턴 (깨어 있는 상태에서 시작/종료, 특정 수면 단계의 지속 시간, 단계 간 순서 등) 을 따르는 '현실적인' 공간이 매우 제한적입니다. 신호 열화로 인해 생성된 비현실적인 그래프를, 이 '현실적인' 공간으로 다시 매핑하면 실제 정답에 더 가까워질 것이라는 가설을 세웠습니다.

나. 모델 아키텍처

1. 베이스 모델: 사전 훈련된 최첨단 수면 스코어링 모델인 U-Sleep을 기반으로 합니다.
2. 구조:
   • 인코더 (Encoder): 소스 도메인 (Clean) 과 타겟 도메인 (Distorted) 을 처리하는 두 개의 인코더 ($E_s, E_t$) 가 사용됩니다. $E_s$는 고정 (Frozen) 되어 있고, $E_t$는 미세 조정됩니다.
   • 디코더 (Decoder): U-Sleep 의 디코더는 고정되어 있으며, 인코더에서 추출된 특징을 수면 단계 예측으로 변환합니다.
   • 구별자 (Discriminator): 경량화된 Transformer 기반의 이진 분류기로, 입력된 수면 단계 확률 분포가 소스 도메인에서 왔는지 타겟 도메인에서 왔는지 구분합니다.
3. 학습 전략 (Adversarial Learning):
   • 구별자 손실 ($L_{adv}^D$): 소스 도메인 특징을 '1', 타겟 도메인 특징을 '0'으로 분류하도록 훈련합니다.
   • 적대적 손실 ($L_{adv}^{E_t}$): 타겟 도메인 인코더는 구별자를 속이도록 (타겟 특징을 소스처럼 보이게) 훈련됩니다.
   • 앵커 손실 (Anchor Loss, $L_{anchor}$): 소스 데이터에 대해 타겟 인코더와 소스 인코더의 출력 차이가 너무 커지지 않도록 패널티를 부여하여 사전 훈련된 기하학적 구조를 유지합니다.
   • 최종 목적 함수: $\alpha L_{adv}^{E_t} + \beta L_{anchor}$를 최소화하며 $\alpha=1, \beta=0.1$로 설정했습니다.

다. 실험 설정

• 데이터: National Sleep Research Resource 의 공개 데이터셋 사용.
• 신호 열화 시뮬레이션 (Target Domain 생성):
  1. 백색 소음 (White Noise): EEG 또는 EOG 채널 중 하나를 백색 소음으로 대체 (채널 무시 시나리오).
  2. 증폭기 과부하 (Amplifier Overload): 전극 접촉 불량 등을 모사한 바이-지수형 과도 현상 (Transient) 추가.
  3. 스펙트럼 왜곡 (Spectral Deformation): 고역/저역 통과 필터를 통해 주파수 분포 변경.
• 비교 대상:
  • 사전 훈련된 U-Sleep (Pretrained).
  • 각 열화 유형에 맞춰 레이블이 있는 데이터로 학습된 '베스트 케이스' 모델 (Benchmark).

3. 주요 결과 (Key Results)

가. 성능 향상

• 코헨의 카파 (Cohen's Kappa) 개선: 다양한 열화 유형에서 무감독 미세 조정 모델은 사전 훈련 모델 대비 0.03 에서 0.29 까지 카파 점수를 향상시켰습니다.
  • 특히 백색 소음 (EEG 채널) 의 경우 카파가 0.23 에서 0.42 로 크게 증가했습니다.
• 통계적 유의성: 모든 전이 (Transfer) 시나리오에서 성능이 감소하지 않았으며, 향상된 점수는 우연 (Chance) 에 의한 것이 아님이 통계적으로 입증되었습니다 (Chance Kappa 분석 및 Permutation Test).
• 단계별 성능: 모든 수면 단계 (W, N1, N2, N3, REM) 에서 일관된 성능 향상을 보였습니다.

나. 한계점

• 이론적 최적치 미달: 제안된 무감독 방법은 레이블이 있는 데이터로 학습된 '베스트 케이스' (Supervised Benchmark) 모델의 성능에는 미치지 못했습니다.
• 실제 도메인 불일치 테스트: 두 개의 실제 수면 연구 데이터셋 간의 도메인 불일치 (실제 임상 데이터 간 전이) 에서는 성능 향상이 통계적으로 유의미하지 않았습니다. 이는 데이터 양 부족 (Tabar et al. 데이터셋은 120 개 기록으로 작음) 이 원인일 것으로 추정됩니다.

다. 데이터 양의 영향

• 학습 데이터 양이 증가할수록 성능이 꾸준히 향상되었으나, 수천 개의 기록 (약 3,980 개) 이 필요하여 데이터 효율성 측면에서 개선이 필요함을 확인했습니다.

4. 주요 기여 (Key Contributions)

1. 새로운 접근법: 신호 복원 (Denoising) 이 아닌, 수면 단계 그래프의 '현실성 (Realism)'을 최적화하여 신호 열화를 극복하는 무감독 도메인 적응 프레임워크를 제안했습니다.
2. Hypnogram 공간의 희소성 활용: 올바른 수면 단계 그래프가 전체 가능한 공간에서 매우 희소하다는 점을 모델 업데이트에 활용하는 방법을 입증했습니다.
3. 범용성: 특정 노이즈 제거가 아닌, 다양한 유형의 신호 열화 (채널 손실, 아티팩트, 주파수 왜곡) 에 대해 하나의 범용 솔루션으로 대응 가능함을 보였습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 의의: '구별자 지시 미세 조정'은 야생 환경 (In the wild) 에서의 수면 모니터링에 유망한 접근법입니다. 특히 레이블이 없는 환경에서도 모델이 신호의 노이즈를 무시하거나 우회하여 합리적인 수면 패턴을 유추할 수 있음을 보여줍니다.
• 임상적 함의: 수면 데이터의 구조적 특성 (희소성) 을 활용하면 자동화 시스템의 견고성을 높일 수 있음을 시사합니다.
• 향후 과제:
  • 데이터 효율성: 현재 수천 개의 기록이 필요하므로, 데이터 양을 1~2 차수 (Order of magnitude) 줄일 수 있는 방법 (모델 경량화, 데이터 증강 등) 이 필요합니다.
  • 실제 적용: 실제 임상 환경에서의 도메인 불일치에 대한 성능을 높이기 위해 알고리즘의 추가 개발이 필요합니다.
  • 아키텍처 개선: 주파수 스펙트럼을 직접 입력으로 사용하는 등 열화 유형에 맞는 모델 구조 변경이 필요할 수 있습니다.

결론적으로, 이 연구는 레이블 없는 환경에서 신호 열화에 강건한 수면 스코어링을 위한 새로운 패러다임을 제시했으나, 상용화 (Production) 를 위해서는 데이터 효율성과 실제 도메인 적응 성능 향상을 위한 추가 연구가 필수적입니다.