Automatic sleep stage classification based on single-channel EEG

Abstract

Uniongelmat lisääntyvät ja niillä on kielteinen vaikutus maailman väestön terveyteen, kuten COVID-19-pandemia osoitti. Uniongelmien analysoimisessa tärkein vaihe on arvioida oikein unen laatua ja diagnosoida unihäiriöt luokittelemalla unen vaiheet (kutsutaan myös unipisteytykseksi). Yleisin unen pisteytyksen työkalu on polysomnografiatallennus. Tämä toimenpide on kuitenkin aikaa vievä ja on tehtävä asiantuntevalla klinikalla. Tästä syystä tarvitaan automaattisia univaiheen luokittelumenetelmiä, jotka täyttävät unitutkimuksen kasvavat vaatimukset. Tässä väitöskirjassa keskitymme kehittämään syväoppimiseen perustuvia menetelmiä ja etsimään ratkaisuja luokkaepätasapaino-ongelmaan ja mallin tulkittavuuteen automaattisessa unen pisteytyksessä käyttäen yksikanavaista EEG:tä. Artikkelissa I esittelemme tehokkaan yksiulotteisen konvoluutiohermoverkkopohjaisen mallin SingleChannelNet (SCNet). Se perustuu automaattiseen unen pisteytykseen yksikanavaisella EEG:llä. Artikkelissa II pyrimme parantamaan mallin optimointinopeutta spektrogrammin syötteen avulla. Ehdottamallamme mallilla LightSleepNet (LSNet) on lupaava suorituskyky ja se vaatii merkittävästi vähemmän malliparametreja. Luokkaepätasapaino-ongelman lieventämiseksi ehdotamme artikkeleissa III ja IV erilaisia menetelmiä tietojoukkonäytteiden tasapainottamiseksi Gaussin valkoisen kohinan lisäyksen, generatiivisen adversariaalisen verkon ja verkkoyhteyden avulla käyttäen luokkapainotuksen uudelleensuunnittelumenetelmiä. Artikkelissa V tarjoamme tulkittavan relevanssin kerroksittaiseen etenemiseen perustuvan univaiheen luokittelukaavion, joka voi visuaalisesti osoittaa kunkin univaiheen tiettyjen EEG-kuvioiden vaikutuksen lopulliseen mallin ennusteeseen. Johtopäätöksenä tässä opinnäytetyössä ehdotetaan automaattiseen univaiheen luokitteluun kahta menetelmää, jotka voisivat saavuttaa huomattavan suorituskyvyn julkisissa polysomnografia-aineistoissa. Lisäksi analysoimme ja esittelemme systemaattisesti tehokkaita ratkaisuja luokkaepätasapaino-ongelmaan ja mallin tulkittavuuteen automaattisessa unipisteytyksessä. Odotamme tämän opinnäytetyön edistävän automaattisten unihalvausmenetelmien käytännön soveltamista tulevaisuudessa. Avainsanat: Univaiheen luokittelu, yksikanavainen EEG, syvä hermoverkko, luokkaepätasapaino-ongelma, mallin tulkittavuus

Sleep issues are on the rise and have a negative impact on global population health, particularly during the COVID-19 outbreak. The most crucial stage is to correctly assess sleep quality and diagnose sleep disorders by categorizing the stages of sleep (also called sleep scoring). The most common tool for sleep scoring is the polysomnography (PSG) recording. However, this manual procedure is time-consuming and heavily reliant on clinic expertise. As a result, it is essential to develop automatic sleep stage classification methods to fulfill the growing unmet demands for sleep research. In this thesis, we focus on developing deep learning-based (DL-b) methods and solutions for the class imbalance problem (CIP) and model interpretability in automatic sleep scoring using single-channel EEG. In Article I, we present an efficient one-dimensional Conventional Neural Network (1D-CNN) based model, namely SingleChannelNet (SCNet), for automatic sleep scoring with raw single-channel EEG. In Article II, we further seek to accelerate the training speed with the spectrogram input. In addition, our proposed LightSleepNet (LSNet) could achieve promising performance while requiring far fewer model parameters. To alleviate the CIP, we propose different balancing methods to balance the dataset samples and network connection with the Gaussian white noise addition (GWN), Generative adversarial network (GAN) and class weight redesign methods in Articles III and IV, respectively. In Article V, we provide an interpretable sleep stage classification scheme based on layer-wise relevance propagation (LRP), which can visually demonstrate the contribution of specific EEG patterns in each sleep stage to the final model prediction. To conclude, this thesis proposes two DL-b methods for automatic sleep stage classification, which could obtain remarkable performance on public PSG datasets. In addition, we systematically analyze and present efficient solutions to the CIP and model interpretability in automatic sleep scoring. Ultimately, we expect this thesis to promote the practical application of DL-b automatic sleep scorning methods in the future. Keywords: Sleep stage classification, single-channel EEG, deep neural network, class imbalance problem, model interpretability