自動睡眠段階分類のためのマルチチャネルポリソムノグラフィセンサーフュージョン
Multichannel Polysomnographic Sensor Fusion for Automatic Sleep Stage Classification
本研究では、30秒のポリソムノグラフィセグメントから5クラスの睡眠段階を分類するために、2つのEEG信号、1つのEOG信号、1つの顎下EMG信号を用いたデュアルストリーム深層学習フレームワークを提案する。時間領域特徴は1次元畳み込みで抽出され、補完的な時間周波数情報は短時間フーリエ変換スペクトログラムから得られ、2次元畳み込み分岐で処理される。得られた特徴は、双方向LSTMネットワークを用いて5セグメントのコンテキストウィンドウで融合・分析される。学習中のみ、評価分布を変更せずに多数派クラスの優位性を減らすために、長時間の覚醒期間を検閲する。78名の被験者を対象とした被験者ごとの5分割交差検証により、平均精度91.5%、バランス精度78.5%、マクロF1スコア77.4%、Cohen's kappa 0.829が得られた。軽量な時間領域のみのバリアントは、精度88.8%、バランス精度72.7%、マクロF1スコア73.8%、Cohen's kappa 0.779を達成した。これらの結果は、堅牢な自動睡眠段階分類のためのマルチモーダル時間周波数フュージョンの使用を支持すると同時に、分類性能とモデル複雑性のトレードオフを強調している。
- 2つのEEG、1つのEOG、1つの顎下EMGの計4チャネルのポリソムノグラフィ30秒セグメントから、5クラスの睡眠段階を分類するデュアルストリーム深層学習フレームワークを提案。
- 時間領域特徴を1次元畳み込みで、時間周波数情報を短時間フーリエ変換スペクトログラム経由で2次元畳み込み分岐により抽出し、双方向LSTMで5セグメントのコンテキストウィンドウとして融合する構成。
- 78名の被験者による被験者ごと5分割交差検証で、平均精度91.5%、バランス精度78.5%、マクロF1スコア77.4%、Cohen's kappa 0.829を達成。
- 軽量な時間領域のみのバリアントでも精度88.8%、バランス精度72.7%、マクロF1スコア73.8%、Cohen's kappa 0.779を達成し、性能とモデル複雑性のトレードオフを示した。
- 学習時のみ長時間の覚醒期間を検閲することで、評価分布を変えずに多数派クラスの優位性を低減するクラス不均衡対処を採用。
学術研究の域を出ない睡眠段階分類の論文であり、直接の投資対象は見当たらない。ただしEEG/EOG/EMGのマルチモーダル信号を1D/2D畳み込みと双方向LSTMで融合する構成は、ウェアラブル睡眠計測や遠隔モニタリング機器のアルゴリズム設計に転用可能な汎用アーキテクチャ。軽量な時間領域のみの変種が精度88.8%を維持しつつモデル複雑性を下げている点は、エッジ実装(低消費電力デバイス)を狙う企業にとって性能とコストのトレードオフ判断の参考値になる。被験者78名・5分割交差検証という評価条件と、学習時のみ長時間覚醒を検閲するクラス不均衡対処も実装上のヒント。商用化・規制・調達の発表は含まれないため、投資判断には実装企業の動向と合わせた追跡が必要。