선별적 분류 기반 자동화 수면 무호흡 감지 알고리즘

Abstract

수면 무호흡 증후군은 가장 흔한 수면 호흡 장애 중 하나이다. 수면 무호흡 증후군을 진단하기 위한 가장 일반적인 방법은 수면다원검사이다. 그러나 수면다원검사의 경우 노동, 비용, 시간 측면에서 한계점을 가지고 있다. 따라서 이러한 한계점을 타파하기 위해 한정적인 생체신호를 사용하여 인공지능 기반 자동 감지 알고리즘을 개발하는 연구가 진행되어 왔으나, 한정된 생체 신호에서의 정보 부족으로 인해 인공지능의 결정에서의 불확실성이 발생할 수 있다는 한계점을 가지고 있었다. 따라서 본 연구에서는 산소포화도 와 심전도에서추정한 호흡 신호만을 사용하여 신뢰도 점수에 기반으로 한 선택적 예측 알고리즘에 대해서 개발을 하였다. 이를 위해 본 연구에서는 두 가지 방법을 적용하였다. 이에 대해서 SelectiveNet 기반 모델과 에너지 기반 모델에 대해서적용하였다. 알고리즘 학습 및 검증을 위해 Massachusetts General Hospital에서 취득한 수면다원검사 994명의 데이터를 활용하였다. 본 연구에서는Temporal convolutional network기반의 오토인코더를 이용하여 잠재 벡터에서의 특징 추출을 수행하였다. 그 후 1D CNN-LSTM으로 구성된 분류기 모델을 통해 학습을 진행하였다. 여기서 SelectiveNet 기반 모델을 적용하기 위해 추가적인 선택함수를 이용하여 신뢰도 점수를 측정하였다. 이를 위해 타겟 커버리지라고 불리는 신뢰도 점수 임계값을 설정하고, 해당 타겟 커버리지가 높은신뢰도 점수를 갖는 샘플에 대해서만 최적화를 수행하였다. 결과적으로 학습된 커버리지가 타켓 커버리지에 수렴 하도록 하였다. 추가적으로 에너지 기반모델의 경우 네트워크의 마지막 단의 특징점을 기반으로 에너지를 추정했다.이를 통해 학습 데이터의 분포를 기반으로 추론한 결과에 대한 상대적인 신뢰도 평가를 수행하였다. 위 두 가지 방법을 이용하여 자동화 수면 무호흡증의분류 성능을 평가하였다. 먼저 선택적 예측 모델을 사용하기 전의 결과를 확인해보았을 때, 1DCNN-LSTM 결과, 정확도 83.22%, AUROC 0.908 F1-score 0.832의 성능을 가지는것을 확인하였다. 이는 이전에 진행된 연구보다 좋은 성능임을 확인하였다.위 인공지능 알고리즘에 선택적 예측 모델을 적용하였다. SelectiveNet 기반모델의 경우 타겟 커버리지 0.98을 기준으로 하였을 때, 정확도 90.26%,AUROC 0.939, F1-score 0.905를 가지는 것을 확인하였다. 에너지 기반 모델의경우 정확도 87.23%, AUROC 0.928, F1-score 0.875임을 확인하였다. 이에 따라 선택적 예측 모델을 사용할 때 모든 성능 지표에서 향상이 있었던 것을 확인 할 수 있었으며, 에너지 기반 모델보다 SelectiveNet 기반 모델이 더 큰성능 향상이 있었음을 확인할 수 있었다. 위와 같은 선택적 예측 모델을 이용하며 기존 한정적 생체신호에 의해 발생하는 문제를 최소화할 수 있는 방법으로 사용할 수 있다. 뿐만 해당 접근을 기반으로 알고리즘을 통해 웨어러블 디바이스와 같은 상대적으로 낮은 신호 퀄리티를 취득하는 장비에 적용 가능하다. 결과적으로, 위 알고리즘을 기반으로수면다원검사의 필요성을 제시하거나, 해당 검사를 보완할 수 있는 간단한 수면무호흡증 진단 방법으로서 사용될 수 있다.