軽量で解釈可能な深層学習モデルを用いた脳波の睡眠段階分類

• Item type: SIG Technical Reports(1)
• 公開日: 2024-02-22
• タイトル: 軽量で解釈可能な深層学習モデルを用いた脳波の睡眠段階分類
• タイトル / 言語: en
• タイトル: Lightweight and Interpretable Deep Learning Model for EEG-Based Sleep Stage Classification
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: ポスターセッション1 SIP/EA
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 東京農工大学大学院工学府知能情報システム工学専攻
• 著者所属: 東京農工大学大学院工学府知能情報システム工学専攻
• 著者所属(英): en
• 著者所属(英): Department of Electrical Engineering and Computer Science, Tokyo University of Agriculture and Technology
• 著者所属(英): en
• 著者所属(英): Department of Electrical Engineering and Computer Science, Tokyo University of Agriculture and Technology
• 著者名: 伊藤, 青空; 田中, 聡久
• 著者名(英): Aozora, Ito; Toshihisa, Tanaka
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 睡眠障害の診断には，専門家による睡眠段階の判定が必要とされる．このために不可欠な生理データの一つが脳波である．脳波の判読に基づく判定作業は非常に時間と労力を要するため，判定を自動化する技術の確立が期待されている．特に有望な技術が深層学習であり，専門家の判定と同等以上の性能が報告されている．しかしながら，推論過程が複雑であるために，安全性や説明責任を確保する上で重要な解釈可能性に欠ける．そこで，推論時の重要度を可視化できる自己注意機構と，文脈を考慮した連続エポックデータにおける転移学習を導入したモデル SleepSatelightFTC を提案する．このモデルは Sleep-EDF Database Expanded の睡眠段階分類において，SOTA モデルの半分以下のパラメータ数で，より高い正解率（84.8%）とカッパ係数（0.787）を達成した．自己注意機構における重要度の可視化により，K-複合などの波形特徴をモデルが学習していることを確認した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Sleep scoring by experts is necessary for diagnosing sleep disorders. EEG is one of the essential physiological data for this process. Sleep scoring based on EEG interpretation is very time-consuming and labor-intensive; therefore, establishing a technology to automate this process is highly desired. One promising technology is deep learning, which has performed as well as or better than experts. However, it lacks interpretability, which is crucial for ensuring safety and accountability due to the complexity of the inference process. We propose a new model, SleepSatelightFTC, which employs self-attention to visualize the importance of inference and transfer learning on continuous epoch data to reflect the context. This model achieved a higher accuracy (84.8%) and Kappa coefficient (0.787) with less than half the number of parameters of the SOTA model in sleep stage classification using the Sleep-EDF Database Expanded. The visualization of the importance of self-attention confirmed that the model learned waveform features such as K-complexes.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10442647
• 書誌情報: 研究報告音声言語情報処理（SLP）; 巻 2024-SLP-151, 号 36, p. 1-6, 発行日 2024-02-22
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8663
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会