Representation Learning for Sleep and EEG Time Series with Continuous Manifold Modeling
연구 내용
수면 신호의 유의 파형과 전이 구간의 혼동 단계를 주의 기반 멀티스케일 특징 및 보조 과제로 구분하고, EEG를 삼중 정보 경로의 자기지도 학습으로 표현하며, 시계열을 연속 매니폴드·게이티드 RNN으로 모델링하는 연구
수면 및 EEG 분석에서 신호 변동성과 대상 간 차이를 줄이기 위해, 수면 단계 분류에서는 주의 기반 멀티스케일 특징 추출로 유의 파형을 포착하고 전이 구간의 혼동 단계를 보조 과제로 분리하는 구조를 사용합니다. EEG에서는 다양한 신경 진동의 스펙트럴 특성, 전극 센서 공간 구조, 전역·국소 시간 관점 정보를 삼중 경로로 학습하며, 자기지도 전처리와 특징 정규화로 intra-/inter-subject 변동성을 완화합니다. 비유클리드 성질을 갖는 시계열 표현에서는 Riemannian metric을 Cholesky 공간 매핑으로 변환해 최적화 효율을 확보하고, manifold ODE와 gated RNN을 결합해 연속적인 시간 모델링을 수행합니다.
관련 연구 성과
관련 논문
3편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
2022년에는 수면 신호에서 유의 파형과 전이 구간의 혼동을 동시에 다루는 TransSleep 구조를 제안하며, 자동 수면 단계 분류 성능을 확보했습니다. 2023년에는 비유클리드 통계 표현을 연산 효율적으로 학습하기 위해 매니폴드의 매핑과 연속 학습 절차를 포함한 Deep Efficient Continuous Manifold Learning을 수행했습니다. 2024년에는 EEG 분석으로 연구 범위를 확장하여 삼중 정보 경로 기반 자기지도 학습과 정규화 전략을 통해 다양한 EEG 패러다임에서 공통 네트워크로 표현을 학습하는 방향으로 심화했습니다. 이 과정에서 수면·EEG·시계열의 공통 문제로 신호 표현과 일반화의 접점을 구축했습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
TransSleep: Transitioning-Aware Attention-Based Deep Neural Network for Sleep Staging
EEG-Oriented Self-Supervised Learning With Triple Information Pathways Network
Deep Efficient Continuous Manifold Learning for Time Series Modeling