호흡성 수면장애 환자의 각성 검출

Abstract

[한글]본 논문은 단일 채널 뇌전도 신호에 시-주파수 분석을 적용하여 추출한 특징을 SVM(support vector machine) 분류기에 적용하여 호흡성 수면 장애 환자의 수면 중 각성을 검출하는 연구이다. 수면 중 각성(arousal)은 수면의 질과 직접적인 관련이 있기 때문에 매우 중요하다. 수면 장애를 겪고 있는 사람들이나 일부 노인들의 경우 빈번한 수면 중 각성으로 인해 수면이 중단되곤 한다. 빈번한 수면 중 각성은 수면 시간을 줄일 뿐만 아니라 수면 분절(sleep fragmentation)을 초래한다. 줄어든 수면시간과 수면 분절은 주간과다수면을 유발하며, 수면 분절이 심할 경우 인지기능(cognitive function)에 영향을 줄 수도 있다. 따라서 수면 중 각성의 발생여부와 그 빈도를 확인하는 것은 매우 중요하다.수면 중 각성을 진단하는 방법에는 전체 수면시간 동안 여러 가지 생체신호를 측정하는 수면다원검사(polysomnography: PSG)가 있다. 수면다원검사의 결과는 수면전문가가 측정된 생체신호를 육안으로 비교, 검토하여 수면 중 각성 및 각종 수면 장애를 진단한다. 그러나 수면다원검사의 경우 방대한 양의 생체신호를 숙련된 수면전문가가 육안으로 분석하기 때문에 이에 소요되는 시간과 인력 낭비 등의 문제점이 제기되고 있으며, 오랜 시간 동안 행해지는 분석과정에서 오류가 발생할 가능성이 높다. 따라서 수면 중 각성을 자동으로 검출하는 방법이 필요하다.본 논문에서는 수면 중 각성을 검출하기 위해 호흡성 수면 장애 환자로부터 측정한 단일 채널의 뇌전도 신호를 사용하였다. 전처리 과정을 통해 뇌전도에 포함된 심전도 및 각종 고주파 잡음을 제거하였고, 시-주파수 분석을 통해 각성 검출을 위한 특징들을 추출하였다.시-주파수 분석을 위해서 Short Time Fourier Transform의 제곱 형태인 스펙트로그램(spectrogram)을 이용하였다. 수면 중 각성 검출에 유용한 특징을 추출하기 위해서 각성이 발생한 순간의 시-주파수 결과를 분석하여 알파, 시그마, 베타파의 대역별 파워를 추출하였다. 또한 피험자의 수면 상태에 대한 정보를 알아보기 위하여 TSI, Desyn, ASI, SWS, RSWPS, RSWPw의 6가지 지표를 추출하였으며, 호흡성 수면 장애 환자의 특성에 의해 각성시의 뇌전도가 다양하게 변화하는 것을 관찰하고 여러 주파수 대역의 변화를 반영하기 위한 뇌전도 파워 변화 특징을 추출하였다. 또한, 추출된 특징들에 대한 분산분석과 상관분석을 통해 각성 검출에의 유용성을 확인하였다.추출된 특징을 기반으로 SVM 분류기를 사용하여 환자의 수면 상태를 분류하고 수면 중 각성을 검출하는 새로운 방법을 제안하였다. 호흡성 장애 환자 20명의 뇌전도 데이터에 적용하여 최적의 성능을 나타내는 특징 조합을 평가하였으며, 성능평가를 위해 민감도(sensitivity)와 특이도(specificity)를 계산하였다.수면 상태 검출 결과 각성기의 경우 82.73%의 민감도와 74.47%의 특이도를 보였으며, 급속안구운동 수면의 경우 68.54%의 민감도와 26.75%의 특이도, 얕은 수면의 경우 84.51%의 민감도와 36.62%의 특이도, 깊은 수면의 경우 88.00%와 87.70%의 특이도를 보여주었다. 이로부터 각성기와 깊은 수면의 경우 호흡성 수면장애 환자의 수면 상태를 잘 분류할 수 있음을 보였다.각성 검출 결과 대역별 파워를 사용한 경우 72.90%의 민감도와 93.77%의 특이도를 보였으며, 대역별 파워와 파워 변화를 사용한 경우 74.24%의 민감도와 93.78%의 특이도로 향상된 결과를 얻었다. 마지막으로 대역별 파워, 파워 변화, 수면 상태 지표를 모두 사용한 경우 79.65%의 민감도와 89.52%의 특이도를 보여 가장 우수한 검출 성능을 보임을 알 수 있었다. 또한, 제안된 방법에 의해 수면 중 각성 발생 총 시간과 실제 각성 발생 총 시간을 비교한 결과 평균적으로 15.09±10.76분의 오차를 보여줌으로 수면 중 각성 발생 정도를 계산하는데 적용할 수 있는 가능성을 제시하였다.그러나 수면 상태 검출 시 급속안구운동 수면과 얕은 수면에서는 비슷한 뇌전도 특징으로 인해 낮은 특이도를 보였다. 이 문제점를 극복하기 위한 새로운 분류기법에 대한 연구가 이루어져야 한다. 또한 제안한 알고리즘의 성능을 보다 객관적으로 비교․평가하기 위해 제안된 각성 검출 방법을 여러 수면전문가에 의해 판독된 수면다원검사 데이터에 적용할 필요가 있다.

[영문]This paper describes the detection of arousal from sleep in patients with respiratory sleep disorders using a single channel EEG signal and SVM(support vector machine) classifier. Arousal from sleep is important because it is directly related to the quality of sleep. Frequent arousals from sleep can result in shortening total sleep time and sleep fragmentation. And the shortened total sleep time and sleep fragmentation induce daytime sleepiness and excessive sleep fragmentation may affect the cognitive function. Therefore determining the occurrence and the frequency of occurrence of arousals from sleep is very important.The standard method to diagnose arousal from sleep is PSG(polysomnography) in which many signals are recorded during entire sleep. The recordings of PSG are scored by a trained observer and arousals from sleep and other sleep disorders are diagnosed by the results of scoring. But the scoring of arousal from sleep is a time-consuming method, requiring a trained observer and manual editing, and therefore showing a high inter-observer variability. Thus automatic detection of arousal from sleep is needed.In this paper we used 20 polysomnographic recordings of patients with respiratory sleep disorders. 6 recordings were used as training sets and 14 recordings as test sets. We used only a single channel EEG signal(C3-A2 trace). We removed ECG signal and high frequency noises included in EEG signal at preprocessing stage. And we extracted features for detection of arousals from sleep with time-frequency analysis. Spectrogram which is the square of short time fourier transform was adopted for time-frequency analysis. To extract features, first we computed 6 indices to find out the informations of a subject''s sleep states. Next powers of each of 4 frequency bands were computed using spectrogram of arousal region. And finally we computed variations of power of EEG frequency to detect arousals.From the results of detection of sleep states, the sensitivity and the specificity of wake were 82.73% and 74.47% respectively. And those of REM sleep were 68.54% and 26.75%. In case of light sleep, those were 84.51% and 36.62%. And those of deep sleep were 88.00% and 87.70%. The results show that the proposed method is able to classify wake and deep sleep of the patients with respiratory sleep disorders well.And we detected arousals from sleep using features described above and SVM classifier. From the results of our study, the sensitivity and the specificity when only 4 band powers were used as features were 72.90% and 93.77% respectively. And those when both 4 band powers and variations of power of EEG frequency were used together were 74.24% and 93.78%. And the sensitivity of 79.65% and the specificity of 89.52% were obtained when both 4 band powers, variations of power and informations of a sleep states were used together. From the results of comparison between the total arousal time detected by the proposed method in this paper and the total real arousal time, the average error of 15.09±10.76 min. was obtained and it suggests that the proposed method is applicable for the detection of arousal from sleep.But when we detected sleep states, the lower specificities were obtained in REM sleep and light sleep due to their similar EEG characteristics. To overcome the problems, the study on new classification methods are needed. And also to compare and evaluate the proposed method more objectively, the application of the method to the PSG data scored by many trained observers is needed.