EEG 신호 임계성을 통한 깊은 수면 분류: 수면 개선 뉴로피드백을 위한 수동형 BCI 접근법
Deep Sleep Classification via EEG Signal Criticality: A Passive BCI Approach for Sleep-Improvement Neurofeedback
한국어 초록
자동화된 수면 단계 분류는 수동형 뇌-컴퓨터 인터페이스(pBCI)의 핵심 응용 분야로, 자발적 신경 상태를 디코딩하여 사용자 의도와 독립적으로 폐루프 개입을 가능하게 한다. 본 연구는 추세 제거 변동 분석(Detrended Fluctuation Analysis, DFA)으로부터 도출된 임계성(criticality) 특징을 깊은 수면(N3) 식별에 평가한다. 290명의 고령 여성으로부터 수집한 347,232개의 EEG 에포크를 분석하여 UMAP 다양체 학습(manifold learning)으로 상태 전이를 시각화하였다. 이후 6개의 분류기를 10-fold 교차 검증을 통해 벤치마크하였으며, 뉴로피드백을 위한 최적의 '상태 감지' 엔진을 결정하기 위해 균형 정확도(balanced accuracy)를 사용하였다. Naive Bayes가 가장 높은 평균 균형 정확도(87.17% ± 0.24%)를 달성하여, 완전 연결 심층 신경망(FNN: 81.58%) 및 랜덤 포레스트(80.97%)를 유의미하게 능가하였다. 선형 모델(LDA: 57.21%; SVM: 51.01%)은 낮은 성능을 보였으며, 이는 DFA 기반 임계성 특징이 고유한 비선형 다양체 위에 존재함을 나타낸다. EEG 임계성의 확률적 디코딩은 pBCI를 위한 고정밀 감지 메커니즘을 제공한다. 이 견고한 분류 파이프라인은 인지 회복을 향상시키기 위한 표적 청각 자극 등 상태 의존적 뉴로피드백 개발을 지원한다.
원문 초록
Automated sleep staging is a fundamental application of passive Brain-Computer Interfaces (pBCI), decoding spontaneous neural states to enable closed-loop interventions independent of user intent. This study evaluates criticality features derived from Detrended Fluctuation Analysis (DFA) for the specific identification of deep sleep (N3). We analyzed $347,232$ EEG epochs from $290$ older women using UMAP manifold learning to visualize state transitions. Subsequently, six classifiers were benchmarked via 10-fold cross-validation, using balanced accuracy to determine the optimal "state-sensing" engine for neurofeedback.Naive Bayes achieved the highest mean balanced accuracy ($87.17\% \pm 0.24\%$), significantly outperforming a fully connected deep neural network (FNN: $81.58\%$) and Random Forest ($80.97\%$). Linear models (LDA: $57.21\%$; SVM: $51.01\%$) performed poorly, indicating that DFA-derived criticality features reside on a distinct, non-linear manifold. Probabilistic decoding of EEG criticality provides a high-accuracy sensing mechanism for pBCIs. This robust classification pipeline supports the development of state-dependent neurofeedback, such as targeted auditory stimulation, to enhance cognitive recovery.
요약
수면 개선 뉴로피드백을 위한 수동형 뇌-컴퓨터 인터페이스(pBCI)에서 깊은 수면(N3)을 식별하기 위해 추세 제거 변동 분석(DFA) 기반의 임계성 특징을 활용하여 분류 성능을 평가했다. Naive Bayes 분류기가 87.17%의 균형 잡힌 정확도를 기록하며 완전 연결 심층 신경망이나 랜덤 포레스트보다 우수한 성능을 보여 pBCI를 위한 고정밀 감지 메커니즘으로 제안되었다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.13017v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
eegFloss: A Python package for refining sleep EEG recordings using machine learning models
SLEEPYLAND: trust begins with fair evaluation of automatic sleep staging models
AnySleep: 다기관 코호트에서 고해상도 수면 단계 분류를 위한 채널 무관 심층 학습 시스템
AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts
수면은 건강에 필수적이지만, 수면의 동역학을 연구하려면 연구와 임상 진료에서 많은 노동이 드는 단계인 수동 수면 단계 판독이 필요하다. 여러 기관에 걸쳐 수면다원검사(PSG) 기록은 생리학적 이유가 아닌 실용적 이유로 전통적으로 30초 에폭 단위로 판독되며, 전극 수, 몽타주, 피험자 특성이 서로 다르다. 이러한 제약은 조화된 다기관 연구와 더 짧은 시간 척도에서의 견고한 바이오마커 발굴을 어렵게 한다. 우리는 임의의 뇌전도(EEG) 또는 안전도(EOG) 데이터로부터 조절 가능한 시간 해상도로 수면을 판독하는 심층 신경망 AnySleep을 제안한다. 여러 클리닉의 28개 데이터셋에서 얻은 20,000건 이상의 야간 기록(EEG 및 EOG 200,000시간 초과)으로 모델을 학습하고 검증하여 기관 간 견고한 일반화를 도모하였다. 이 모델은 최첨단 성능을 달성하며 30초 에폭에서 기존 기준 모델을 능가하거나 동등하다. 채널이 많을수록 성능이 향상되지만, EOG가 없거나 EOG만 있거나 단일 EEG 유도(전두, 중심, 후두)만 사용 가능한 경우에도 강한 성능을 유지한다. 30초 미만의 시간 척도에서 이 모델은 각성과 일치하는 짧은 각성 침입을 포착하며, 30초 판독보다 병태생리학적 상태(폐쇄성 수면무호흡, 제1형 기면증, 불면증)의 예측을 향상시킨다. 우리는 이질적인 전극 구성을 가진 대규모 연구를 용이하게 하고 수면 분야의 바이오마커 발굴을 가속하기 위해 이 모델을 공개한다.
SleepFM-2를 통해 200만 시간의 수면 데이터로부터 전이 가능한 인간 생리학적 특성 학습하기
Learning transferable human physiology from two million hours of sleep with SleepFM-2
수면은 뇌, 심장, 근육 및 호흡계 전반의 조화로운 활동을 포착함으로써 건강 상태를 들여다볼 수 있는 야간의 창을 제공합니다. 본 논문에서는 사전학습(pre-training)에 사용된 235,865건을 포함하여 26개 코호트의 수면다원검사(PSG) 기록 282,511건을 바탕으로 개발 및 평가된 수면 파운데이션 모델(foundation model)인 SleepFM-2를 소개합니다. 이 데이터는 200만 시간 이상의 다중모달(multimodal) 생리 신호에 걸쳐 있습니다. 이전 SleepFM과 비교하여, SleepFM-2는 질병 예측 및 수면 점수 측정을 개선하고, 각성(arousal), 사지 운동 및 호흡 이벤트 탐지를 지원하며, 웨어러블 센싱과 주관적 수면 표현형(phenotypes)으로 전이(transfer)됩니다. SleepFM-2의 PSG 표현(representation)을 연령, 성별, BMI와 결합한 모델은 사전학습 중 접하지 않은 한 의료 시스템을 포함한 두 개의 비공개(held-out) 코호트에서 이후 기록된 188개 전자의무기록(EHR) 표현형에 대해 사전 지정된 변별력 및 유의성 기준을 충족했습니다. 또한 SleepFM-2는 동일한 기록에서 도출된 480개 특징(feature) 기준선(baseline) 모델을 능가했습니다. 이 질병 점수는 감소된 시그마 대역 공간 결합 및 증가된 수면밀도(hypnodensity) 엔트로피와 연관된 재현 가능한 주성분을 드러냈습니다. 동결된 인코더(frozen encoder)는 수면 이벤트에 대해 전문가 채점자의 관찰된 범위 내에서 작동했으며, 각성 중 뇌파(EEG), 헤드밴드 및 인이어 EEG, 손목 PPG 및 손목 가속도계 데이터로 전이되었습니다. 또한 6개 가속도계 코호트 전반에서 수면 단계 분류(sleep staging)를 개선했으며, UK Biobank에서 가속도계 데이터로 직접 사전학습된 모델과 유사한 질병 예측 성능을 달성했습니다. 마지막으로 SleepFM-2는 기존 PSG 요약으로는 포착되지 않던 주관적 수면의 측면, 특히 기록된 밤에 대한 보고 내용을 포착했습니다. 이러한 결과는 다중모달 수면 생리학이 질병, 임상 작업, 센서 및 주관적 경험 전반에 걸쳐 인간 건강에 대한 전이 가능한 표현을 제공할 수 있음을 보여줍니다.
RG-Flow 트랜스포머: 희소 EEG에서 스케일-자유 동역학 인코딩
The RG-Flow Transformer: Encoding Scale-Free Dynamics in Scarce EEG
뇌 장전위는 스케일-자유(scale-free)적이다. 그 전력 스펙트럼은 $1/f^β$ 법칙을 따르며, 비주기성 지수 $β$는 피질 상태를 추적하고, 특히 수면 깊이는 $β$의 변화로 나타난다. 우리는 명시적 재정규화군(RG) 귀납 바이어스(bias)를 갖춘 트랜스포머—일반적인 셀프 어텐션(self-attention)을 학습 가능한 이상 차원 $γ$, 블록-스핀(block-spin) 조잡화(coarse-graining), 엔트로피 게이트(entropy-gated) 동기화 브릿지를 갖는 스케일 인식 스트림과 결합한 RG-Flow 트랜스포머—가 실제의 희소한 EEG에서 매개변수를 맞춘 바닐라(vanilla) 트랜스포머보다 우위가 있는지 묻는다. 엄격한 피험자별 누출 없는 홀드아웃(hold-out)을 적용한 PhysioNet Sleep-EDF 코퍼스를 사용하여, 우리는 (i) 5-class AASM 수면 분류(sleep staging)에서 RG-Flow를 매개변수를 맞춘 바닐라 트랜스포머 및 계층만(hierarchy-only) 절제(ablation) 모델과 벤치마크하고, (ii) 데이터가 희소할 때 예측되는 귀납 바이어스 교차(crossover)를 찾기 위해 피험자당 데이터 예산을 스윕(sweep)하며, (iii) RG-Flow가 학습한 $γ$가 표본 외(out-of-sample)에서 측정된 스펙트럼 지수 $β$를 추적하는지—바닐라 모델에는 존재하지 않는 양—를 검증한다. 피험자 하나 제외 교차검증(leave-one-subject-out cross-validation) 하에서 5명의 피험자와 5개의 시드(seed)에 걸쳐, RG-Flow와 바닐라 트랜스포머는 5-class 분류에서 통계적으로 구별되지 않는다(정확도 77.3\% vs 77.0\%; paired $p=0.294$). 예측된 희소 데이터 교차는 나타나지 않으며, 데이터가 제한된 모든 예산에서 바닐라가 수치적으로 앞선다. 두 모델을 구분하는 것은 해석 가능성(interpretability)이다. RG-Flow는 표본 외에서 연속적인 스펙트럼 지수를 복원한다($β$-recovery $R^2 = 0.416$). 이는 바닐라 아키텍처에는 대응하는 기능이 없다.
Omni-Sleep: 중추신경계-자율신경계 동역학의 계층적 대조 학습을 통한 수면 파운데이션 모델
Omni-Sleep: A Sleep Foundation Model via Hierarchical Contrastive Learning of CNS-ANS Dynamics
수면 생리학은 EEG, EOG, EMG, ECG, 호흡을 포함한 다중 모달 다원수면검사(polysomnography) 신호에 반영되는 바와 같이, 중추신경계(CNS)와 자율신경계(ANS)의 협응적 동역학으로부터 발생한다. 그러나 기존의 수면 파운데이션 모델들은 이종 생체신호를 토폴로지를 고려하지 않는 방식으로 융합하는 경우가 많아, 그 생리학적 구조를 간과한다. 우리는 CNS/ANS 분할을 토폴로지 제약 표현 학습의 생리학적 사전 정보(prior)로 활용하는 수면 파운데이션 모델 Omni-Sleep을 제안한다. Omni-Sleep은 세 가지 목적함수를 통해 구조화된 표현을 학습한다: 신경 신호 및 심폐 신호 내 하위 시스템 수준의 공유 요인을 포착하는 시스템 내 일관성(intra-system consistency), 뇌-신체 동역학을 모델링하기 위해 하위 시스템 궤적을 정렬하는 시스템 간 동기화(inter-system synchronization), 그리고 장기적 수면 동역학을 포착하는 잠재 공간 마스크 시계열 모델링(latent-space masked temporal modeling)이다. 100,000시간 이상의 다기관 다중 모달 PSG 데이터로 사전학습된 Omni-Sleep은 수면 단계 분류(sleep staging) 및 다중 질환 분류 태스크에서 평가되었다. 다양한 데이터셋과 모달리티 절제(ablation) 설정에서 Omni-Sleep은 강력한 파운데이션 모델 베이스라인을 능가하며, 레이블 효율성, 교차 데이터셋 일반화, 누락 모달리티에 대한 강건성이 향상됨을 보인다. 이러한 결과는 일반화 가능한 수면 표현 학습에서 생리학적 계층 구조의 가치를 부각시킨다. 코드는 https://github.com/AutoBrain-sleep/OmniSleep 에서 확인할 수 있다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.