수면 단계(sleep staging)는 수면 평가에 필수적이며, 건강 지표로서 중요한 역할을 한다. 최근 많은 연구에서 수면 단계 판정을 위한 다양한 기계학습/딥러닝 방법이 제안되었다. 그러나 그러한 방법의 실제 활용을 저해하는 두 가지 핵심 과제가 존재한다. 첫째, 수면 신호에서 핵심적인 파형(salient waveforms)을 효과적으로 포착하는 문제이고, 둘째, 전이되는(epoch transitioning) 구간에서 혼동되는 단계들을 올바르게 분류하는 문제이다. 본 연구에서는 고유한 국소 시간 패턴을 포착하고 두 개의 보조 과제를 통해 혼동되는 단계들을 구분하는 새로운 딥 신경망 구조인 TransSleep을 제안한다. 구체적으로, TransSleep은 주의(attention) 기반 다중 스케일 특성 추출기를 통해 수면 신호의 핵심 파형을 포착하고, 두 개의 보조 과제를 통해 문맥적 관계(contextual relationships)를 모델링함과 동시에 전이 구간에서 혼동되는 단계들을 정확히 분류한다. 결과에 따르면 TransSleep은 자동 수면 단계 판정에서 유망한 성능을 달성하였다. TransSleep의 타당성은 두 개의 공개 데이터셋인 1) Sleep-EDF 및 2) MASS에서의 최신(state-of-the-art) 성능을 통해 입증되었다. 또한 우리는 서로 다른 관점에서 본 연구 결과를 분석하기 위해 제거(ablations) 실험을 수행하였다. 종합적인 결과에 근거하여, TransSleep이 딥러닝 기반 수면 단계 판정에 새로운 통찰을 제공할 수 있는 막대한 잠재력을 지닌다고 판단한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.