Non-Contact Sleep Stage Estimation: Machine Learning in Multi-Imbalance Data for Improvements in Accuracy and Interpretability

点击翻译按钮获取中文摘要

本研究は，マットレスセンサなどの簡易センサで専門医師なしに睡眠段階を推定する手法の実用化に向け，（1）一夜の各睡眠段階の割合不均衡を考慮した推定法（2）突発的もしくは数分以上にわたり特徴が出現する睡眠段階にロバストな推定法，（3）年齢やその日の体調などによる個人(内)差を考慮した推定法，の3つのサブテーマに取り組む．2022年度は，（1）では全睡眠段階を1つの機械学習のモデルで学習するのではなく，睡眠段階毎に2クラス分類としてモデルを学習し，各モデルの推定精度の高さ順に組み合わせる推定法を構築した．これにより，特定の睡眠段階を過剰判定する問題を解決し，従来の全睡眠段階を学習する手法と提案手法を比較すると，平均して17%の推定精度の向上が確認された．また，モデルの解釈のために中途覚醒を学習したモデルを分析したところ，健常者と睡眠時無呼吸症候群（SAS）患者との間で判定に有効な特徴量が異なることがわかり，SAS診断の指標の1つとなる可能性を示唆した．この成果をモデルの解釈に基づくSAS判定法として全国人工知能学会，学習したモデルの内容を生理学的な知見への紐づけとして日本睡眠学会にて発表し，対外的に評価を受けた．（2）では，計測データに対し，事前に複数の長さで区切り，各長さのデータを個別のモデルで学習し，推定結果を組み合わせる推定法を構築した．REM推定について，従来手法よりも提案手法の平均の適合率が約20%，再現率約40%と大幅に改善し，関連する内容を国際会議のIEEE EMBCにて発表した．さらに，(1)と(2)の複数の長さの組み合わせによる判定とどれか特定の長さでの判定でどちらも，平均推定精度が約59%から約70%に改善され，それぞれ，ヘルスケア・医療情報技術研究会と(3)国際会議のAAAI Spring Symposium Seriesにて発表し対外的に評価を受けた．