STDA-Net: Spectrogram-Based Domain Adaptation for cross-dataset Sleep Stage Classification

기술 요약: STDA-Net

문제 제기
서로 다른 데이터셋 간의 정확한 수면 단계 분류는 EEG 채널 배치, 샘플링 속도, 녹음 환경, 그리고 피험자 집단의 변동성으로 인해 발생하는 상당한 도메인 이동 (domain shifts) 으로 인해 방해받고 있습니다. 딥러닝이 자동 수면 단계 분류를 발전시켰음에도 불구하고, 대부분의 기존 교차 데이터셋 방법은 1 차원 (1D) 원시 EEG 신호 표현에 의존합니다. 또한, 교차 데이터셋 수면 단계 분류를 위한 비지도 도메인 적응 프레임워크 내에서 2 차원 (2D) 스펙트로그램 기반 입력의 적용은 여전히 largely 미개척 상태로 남아 있습니다. 현재 접근법들은 이러한 분포 차이로 인해 데이터셋 간 모델을 전이할 때 성능 저하를 겪는 경우가 많으며, 이러한 격차를 완화하기 위해 2D 시간 - 주파수 표현을 활용하는 데는 제한적인 관심만 기울여 왔습니다.

방법론
저자들은 2D EEG 스펙트로그램을 사용하여 수면 단계 분류를 위한 비지도 도메인 적응을 위해 설계된 STDA-Net(Spectrogram-based Temporal Domain Adaptation Network, 스펙트로그램 기반 시간적 도메인 적응 네트워크) 을 제안합니다. 이 아키텍처는 네 가지 주요 구성 요소를 통합합니다:

1. 전처리 및 스펙트로그램 생성: 소스 및 타겟 도메인의 원시 단일 채널 EEG 신호는 표준화 (100 Hz 로 다운샘플링, 0.5–30 Hz 대역 통과 필터링) 되고 30 초 구간 (epoch) 으로 분할됩니다. 각 구간은 단시간 푸리에 변환 (STFT) 을 사용하여 $76 \times 60$ 크기의 2D 시간 - 주파수 표현 (스펙트로그램) 으로 변환됩니다. 시간적 의존성을 모델링하기 위해, 5 분에 해당하는 $L=10$개의 연속된 구간 시퀀스가 5 구간 간격 (stride) 으로 구성됩니다.
2. CNN 구간 인코더: 공유된 합성곱 신경망 (CNN) 백본이 각 스펙트로그램을 독립적으로 처리하여 판별력 있는 구간 수준의 특징을 추출합니다. 인코더는 잔여 단위 (residual units), 배치 정규화, GELU 활성화 함수를 갖춘 네 개의 합성곱 블록으로 구성됩니다. 이는 128 차원 특징 벡터를 출력합니다. 이러한 특징에 보조 분류 헤드를 연결하여 직접적인 구간별 감독을 제공함으로써 판별력 있는 스펙트럼 특징의 추출을 장려합니다.
3. BiLSTM 시간 모듈: 구간 수준의 특징 시퀀스는 2 층 양방향 장기 단기 기억 (BiLSTM) 네트워크로 입력됩니다. 이 모듈은 연속된 구간 간의 시간적 의존성을 포착하며, 특정 단계 간의 직접적인 전이가 드물다는 것과 같은 생물학적으로 제약된 수면 단계 전이 패턴을 활용하여 예측을 정제합니다.
4. 도메인 적대적 학습 (DANN): 레이블이 지정되지 않은 타겟 데이터 없이 소스 및 타겟 특징 분포를 정렬하기 위해, 도메인 판별기가 소스와 타겟 특징을 구분하도록 훈련됩니다. 경사 반전 레이어 (GRL) 가 CNN 인코더에 적용되어, 판별기를 혼동시키는 특징을 생성하도록 훈련함으로써 도메인 불변 표현을 학습합니다. 이 적대적 적응은 스펙트럼 차이가 도메인 격차의 주요 원인인 반면 시간적 패턴은 상대적으로 일관적이기 때문에, 구간별 CNN 특징 수준에서 적용됩니다.

총 훈련 손실은 소스 레이블에 대한 주요 분류 손실 ($L_{main}$), CNN 특징에 대한 보조 분류 손실 ($L_{aux}$), 그리고 적대적 도메인 적응 손실 ($L_{adv}$) 의 세 가지 목적을 결합합니다. 적대적 손실의 가중치는 모델이 먼저 판별력 있는 소스 특징을 학습한 후 점진적으로 정렬 압력을 증가시킬 수 있도록 점진적인 일정을 따릅니다.

주요 기여

1. 프레임워크 제안: 2D EEG 스펙트로그램에서 작동하는 교차 데이터셋 수면 단계 분류를 위한 새로운 프레임워크인 STDA-Net 의 도입. 이는 스펙트럼 특징 추출을 위한 CNN 인코더, 시간적 모델링을 위한 BiLSTM, 그리고 비지도 도메인 정렬을 위한 DANN 을 독특하게 통합합니다.
2. 체계적인 제거 실험: 시간적 모델링, 보조 감독, 그리고 적대적 적응의 개별 기여도를 정량화한 포괄적인 제거 실험을 통해, 모든 구성 요소의 조합이 최적의 성능을 산출함을 입증했습니다.
3. 강건한 교차 데이터셋 평가: Sleep-EDF, SHHS-1, SHHS-2 세 개의 공개 데이터셋에서 수행된 광범위한 실험을 통해 여섯 가지 다른 교차 데이터셋 전이 설정에서 도메인 이동에 대한 프레임워크의 강건성을 검증했습니다.

결과
Sleep-EDF, SHHS-1, SHHS-2 에서 여섯 가지 전이 설정 하에 실험이 수행되었습니다. 제안된 STDA-Net 은 다음과 같은 결과를 달성했습니다:

• 평균 정확도 89.03%.
• 평균 매크로 F1 점수 87.64%.
• 균형 잡힌 분류 성능 (매크로 F1) 측면에서 기존 1D 베이스라인 방법 (Deep CORAL, DANN, ADAST, ADAADL 포함) 을 일관되게 능가했습니다.
• 베이스라인에 비해 5 회 독립 실행에서 훨씬 낮은 분산을 보여주어 향상된 안정성과 재현성을 나타냈습니다.

특히, SHHS 데이터셋에서 Sleep-EDF 로의 전이가 그 반대의 경우보다 더 우수한 성능을 보이는 방향적 비대칭성을 보였는데, 이는 생리학적적으로 다양한 소스 집단에서 훈련하는 것이 더 일반화 가능한 스펙트럼 표현을 산출함을 시사합니다.

의의
본 논문은 2D 스펙트로그램 기반 표현이 시간적 모델링 및 적대적 도메인 적응과 결합될 때, 교차 데이터셋 수면 단계 분류를 위한 기존 1D EEG 입력에 비해 강건하고 경쟁력 있는 대안을 제공한다고 주장합니다. 이러한 발견은 수면 데이터의 도메인 이동으로 인해 일반적으로 발생하는 성능 저하를 완화하는 데 2D 시간 - 주파수 표현으로의 전환이 도움이 된다는 것을 시사합니다. 이 프레임워크는 레이블이 지정된 타겟 데이터 없이 서로 다른 획득 프로토콜과 피험자 집단 간에 수면 단계 분류 모델을 일반화하는 과제를 성공적으로 해결하여, 임상 및 연구 환경에서 자동화된 수면 분석을 개선하기 위한 실용적인 솔루션을 제공합니다. 향후 연구는 추가 데이터베이스 (ISRUC, MASS) 에서 프레임워크를 검증하고 이를 멀티 채널 EEG 구성으로 확장하는 것을 제안합니다.