単一チャンネルEEG睡眠ステージングのための統一マルチスケール時間エンコーディングと階層的シーケンス学習によるコンテキスト認識時間モデリング
A context-aware temporal modeling through unified multi-scale temporal encoding and hierarchical sequence learning for single-channel EEG sleep staging
睡眠障害の世界的蔓延により、自動睡眠ステージングはヘルスケアにおける重要なタスクである。本研究は、自動睡眠ステージングに実用的で広く利用可能な信号である単一チャンネル脳波(EEG)に焦点を当てている。既存のアプローチは、クラス不均衡、限定的な受容野モデリング、および不十分な解釈可能性といった課題に直面している。本研究では、特にN1ステージの検出改善に重点を置いた、単一チャンネルEEG睡眠ステージングのためのコンテキスト認識フレームワークであるTempoSleepを提案する。多くの先行モデルは、明確に定義され解釈可能な特徴抽出の役割を欠いたまま、スタックされたレイヤーを持つブラックボックスとして機能する。TempoSleepは、コンパクトなマルチスケール特徴抽出と時間モデリングを組み合わせて、局所的および長距離の両方の依存関係を捉える。特にN1ステージにおけるデータ不均衡に対処するため、クラス重み付け損失関数とデータ拡張が適用される。EEG信号はサブエポックチャンクにセグメント化され、最終的な予測はチャンク全体でのソフトマックス確率の平均化によって得られ、コンテキスト表現と堅牢性が向上する。提案されたフレームワークは、全体精度89.72%、マクロ平均F1スコア85.46%を達成する。特に、困難なN1ステージに対して61.7%のF1スコアを達成し、SleepEDFデータセットにおける以前の方法よりも大幅な改善を示している。これらの結果は、提案されたアプローチが自動睡眠ステージングにおける予測動作への洞察を提供し、その潜在的な応用をサポートしながら、睡眠ステージング性能を効果的に向上させることを示している。
- TempoSleepは単一チャンネルEEG向けのコンテキスト認識型睡眠ステージングフレームワークで、マルチスケール特徴抽出と階層的シーケンス学習を組み合わせている
- 全体精度89.72%、マクロ平均F1スコア85.46%を達成し、特にN1ステージでF1 61.7%と従来手法を大幅に上回った
- SleepEDFデータセットでの評価により、クラス重み付け損失関数とデータ拡張でクラス不均衡に対処している
単一チャンネルEEGによる自動睡眠ステージングのAI研究で、実用性の高いウェアラブル用途に直結する。N1ステージでF1 61.7%、全体精度89.72%という数値は、睡眠ヘルステック・在宅モニタリング分野でのAI実装の現実味を示す。ただし現時点では学術的成果であり、商用化や企業の関与は示されておらず、投資判断には引き続き実用化・規制・企業参入の動向を注視する必要がある。