睡眠段階分類のためのドメイン一般化を伴うマルチビュー時空間グラフ畳み込みネットワーク

医学検査 情報科学 人工知能 神経内科学 コンピューターサイエンス 基礎医学 バイオエンジニアリング 生命科学 医学
睡眠段階分類 時空間グラフの畳み込み 遷移学習 ドメイン一般化 脳ネットワーク

睡眠段階分類は、睡眠の質の評価や疾病の診断において極めて重要です。しかし、既存の分類方法は時間変動する多チャンネル脳信号の空間および時間特徴の処理、個別の生体信号の違いへの対応、モデルの解釈可能性の点で多くの課題に直面しています。従来の機械学習方法は複雑な特徴工学に依存しており、深層学習方法は特徴の表現学習に優れているものの、空間-時間特徴の利用、個体間の一般化能力、モデルの解釈可能性においてまだ改善の余地があります。

これらの課題を解決するために、北京交通大学のZiyu Jiaらとマサチューセッツ工科大学のLi-Wei H. Lehmanは、多視角時空グラフ畳み込みネットワーク（Multi-View Spatial-Temporal Graph Convolutional Networks, MSTGCN）を提案し、ドメイン一般化と組み合わせて睡眠段階分類に利用しました。

論文の出典

この論文は北京交通大学計算機与情報技術学院のZiyu Jia, Youfang Lin, Jing Wang（通信著者）, Xiaojun Ning, Yuanlai He, Ronghao Zhou, Yuhan Zhouとマサチューセッツ工科大学医学工学与科学研究所のLi-Wei H. Lehmanによって共同執筆され、2021年の《IEEE Transactions on Neural Systems and Rehabilitation Engineering》に発表されました。

研究の詳細

研究プロセス

  1. 脳視角グラフの構築：脳区域の機能的結びつきと物理的距離の近さに基づいて2種類の脳視角グラフを構築します。各EEGチャンネルはグラフのノードに対応し、チャンネル間の具体的な接続はグラフのエッジに対応します。

  2. 空間グラフ畳み込み：グラフ畳み込みを用いて豊富な空間特徴を抽出し、隣接するノードから情報を集約することで空間次元の特徴を捉えます。

  3. 時間畳み込み：時間畳み込みを使用して異なる睡眠段階の変換ルールを捕捉し、現在の睡眠段階の識別を支援します。

  4. 空間-時間注意機構：空間-時間注意機構を設計し、睡眠段階の分類に最も関連する空間-時間情報を自動的に捕捉します。

  5. ドメイン一般化：モデルの訓練過程で各個体を特定のソースドメインとして睡眠特徴を抽出し、対抗的ドメイン一般化方法を使用して個体によらない睡眠特徴を抽出し、モデルの個体間の一般化能力を向上させます。

実験と結果

  • データセット：実験には公開されている2つの睡眠データセットISRUC-S3とMASS-SS3を用いました。

  • 実験設定：10折交差検証と31折交差検証を使用し、個体に独立した戦略で交差検証を行い、TensorFlowでモデルを実装しました。

実験結果は、MSTGCNが複数の指標（全体精度、F1スコア、Kappa値）で既存のベースラインモデルを上回ることを示しました。さらに、ISRUC-S3データセットではWakeおよびN3段階の分類精度が最高であり、MASS-SS3データセットではREMおよびN2段階の分類精度が最高でした。N1段階の分類の結果は期待には届きませんでしたが、多くのベースラインモデルよりも優れていました。

結論

この研究は、多視角時空グラフ畳み込みネットワーク（MSTGCN）を提案し、ドメイン一般化方法と組み合わせて睡眠段階分類に利用しました。具体的な貢献は以下の通りです：

  1. 機能的結びつきと物理的距離の近さに基づく異なる脳視角を構築し、分類タスクに豊富な空間トポロジ情報を提供しました。
  2. 注意機構に基づく時空グラフ畳み込みを設計し、空間および時間特徴を同時に捕捉し、分類性能を向上させました。
  3. ドメイン一般化方法と時空グラフ畳み込みネットワークを組み合わせて、個体によらない睡眠特徴を抽出し、モデルの個体間の一般化能力を向上させました。
  4. ISRUC-S3およびMASS-SS3という2つの公開データセットで実験を行い、このモデルが最先端の性能を達成することを示しました。
  5. モデルの主要モジュールの解釈可能性を探り、特に自適応グラフ学習によって得られた機能的結びつきの結果が、浅い睡眠期間の機能的結びつきが深い睡眠期間よりも複雑であることを示しました。

以前の研究であるgraphsleepnetと比較して、MSTGCNには以下の顕著な改良がありました：

  1. 脳ネットワーク構築：物理距離の近さに基づいて構築された脳ネットワークが、以前の自適応機能的結びつき脳ネットワークと共に多視角脳ネットワークを形成し、より豊富な空間トポロジ情報を提供しました。
  2. ドメイン一般化：ドメイン一般化と時空グラフ畳み込みネットワークを組み合わせてモデルの一般化能力を向上させました。
  3. 包括的な実験評価：2つの睡眠データセットでMSTGCNの有効性を評価し、各コンポーネントが性能に与える影響を検証する消去実験を実施しました。
  4. モジュールの解釈可能性：MSTGCNの主要モジュールの解釈可能性を探求して議論しました。

研究の意義

この研究で提案されたMSTGCNモデルは、睡眠段階分類タスクで最先端の成果を示すだけでなく、多変量生理的時系列データの時空モデリングの一般的なフレームワークを展示し、個体間の一般化能力およびモデルの解釈可能性を兼ね備えています。従来の方法に比べ、このモデルはより正確かつ効率的な睡眠段階分類方法を提供し、重要な臨床応用価値を持っています。