[논문 1-1] 소비자 웨어러블 장치에서 파생된 원시 가속도 및 광혈류 측정기 심박수 데이터를 사용한 수면 단계 예측

https://github.com/rootofdata/AILAB_Sleep-Scoring-Modeling.git

GitHub - rootofdata/AILAB_Sleep-Scoring-Modeling

Sleep stage prediction with raw acceleration and photoplethysmography heart rate data derived from a consumer wearable device

Olivia Walch , Yitong Huang, Daniel Forger, Cathy Goldstein

Dec-2019

Abstract

수면을 측정하는 웨어러블, 다중 센서, 장치 등은 일반화되었지만 이러한 장치에서 수면점수를 매기는데 사용하는 알고리즘은 오픈 소스가 아니고 위부 사용에 엑세스하기 쉽지 않다. 결과적으로 임상 및 연구 응용 분야에서 유용성이 제한된다. 이 논문에서는 수면다원검사를 받는 참가자와 검사 이전 보행 기간 동안 착용한 Apple Watch에서 원시 가속도 데이터와 심박수를 수집했다. 이 데이터를 사용하여 여러 분류기의 성능에 대한 여러 기능의 기여도를 비교했다. 이 연구는 수면 및 수면 단계 예측의 정확도 개선을 위해 가속도 및 심박수 데이터를 분석했다. 여기서는 MESA(Multi-ethnic Study of Atherosclerosis)의 데이터를 사용하여 Apple Watch 데이터에서 훈련된 모델을 테스트하여 결과를 일반화 했으며 수면을 예측할 수 있음을 발견했다.

Introduction

이 연구의 주요 목표는 Apple Watch에 있는 MEMS 가속도계 및 PPG에서 원시 가속도 및 심박수 데이터를 수집하고 분류 방법을 사용하여 수면과 비수면을 구별하고 PSG와 비교하여 수면 단계를 결정한다. 두 번째 목표는 “clock proxy”용어의 통합이 모든 분류기의 성능에 어떻게 영향을 미치는지 평가하는 것이다. 마지막으로는 Apple Watch 가속도계 및 PPG를 넘어 알고리즘을 일반화하기 위해, MESA로부터 수집된 데이터셋으로 훈련된 모델을 테스트했다.

Methods

University of Michigan Institutional Review Board의 승인 후 39명의 실험자가 연구 참여를 하였다. 다음과 같은 진단을 받지 않았는지 확인하기 위해 설문지를 작성하였다. 하지 불안 증후군, 수면 관련 호흡 장애, 불면증 , 사건수면, 중추 과수면 장애, 심혈관 질환, 말초 혈관 질환, 시력 장애, 심각한 신경 또는 정신 장애

 또한 약간 근무 혹은 여행에 참여한 개인은 제외되었다. ESS(과도 졸음 척도)를 사용하여 배제하였다.

등록 후 Apple Watch와 OW가 개발한 애플리케이션으로 실험하였으며 7~14일의 보행 기록 기간의 마지막 밤에 환자들은 PSG 검사를 받았다.

( Apple Watch의 가속도계 및 심박수 데이터에 엑세스하기 위한 OW 코드 : https://github.com/ojwalch/sleep_accel )

질환,장애 유무,몸 상태 등을 조사한 뒤 연구 진행하였다. REM 수면 행동 장애 또는 폐쇄성 수면 무호흡증을 시사하는 PSG로 입증된 대상은 제외되었다.

 

연구진행은 피실험자들은 8시간의 수면 동안 PSG로 모니터링되었고 AASM의 기술 사양에 따라 PSG를 진행했다. (이하 내용 생략) - 미국수면의학회(AASM)의 메뉴얼에 따라 시행.

PSG를 통한 수면 모니터링과 동시에 Apple Watch에서 원시 가속도 및 심박수를 기록하고 보안 서버로 전송했다.

Apple Watch는 x,y,z 방향의 가속도를 g(9.8m/s^2)단위로 측정하는 3축 MEMS 가속도계를 사용한다. 또한 심박수는 W의 등쪽 측면에 PPG가 있는 Apple Watch로 측정한다. 원시 가속 신호 및 심박수 데이터는 "운동 세션"을 생성하고 iOS WatchKit 및 HealthKit 프레임워크에 내장된 기능을 사용하여 장치에서 얻는다.

Analysis

PSG매개변수(time in bed [TIB], total sleep time [TST], sleep onset latency [SOL], wake after sleep onset [WASO], sleep efficiency [SE], REM sleep minutes, and NREM sleep minutes)를 평가했다.

한 피실험자의 밤의 샘플 데이터

Motion : Apple Watch의 마이크로 전자 기계 시스템 가속도계의 원시 가속도(x,y,z)로 인해 표현

(활동 수, 원시 가속도에서 변환)                                                    

 가속도센서는 지표면을 중심으로 기울기, 가속도 등을 측정한다. 그러나 지표면에 대해 수직 방향의 가속도는 측정할 수 없다. 자이로스코프는 가속도센서로 측정할 수 없는 방위각을 측정한다

Counts : 아래 논문의 코드를 사용하여 활동 카운트로 처리, 여러 파라미터로 카운트하였다.

https://academic.oup.com/sleep/article/36/5/781/2559074?login=true  (논문참고)

Heart rate : Apple Watch 관혈류 측정기의 심박수이다.

Clock Proxy : Apple Watch를 사용한 보행 녹음에서 예측된 "시계 프록시" 

-두 가지 방식으로 결정된다.

첫 번째 방법은 고정 코사인파를 사용하는 것이다. 이 파형은 녹화 시작 시간을 기준으로 이동하며 밤 동안 오르락 내리락했다. 클록 프록시 용어를 계산하는 이 방법은 입력으로 기록 시간만 필요하기 때문에. 검증된 수학적 모델을 사용해 시계 프록시 기능도 계산했다.

-healthkit(앱/프레임워크)을 통해 가져온 걸음 수 데이터로 휴식과 활동의 전형적인 일일 패턴을 추론하는데 사용되었다. 이렇게 24시간 clock proxy기능, 코사인 기능 등으로 일주기 clock proxy를 예측한다.

Stage : 채점된 PSG의 최면

 

수면과 기상을 구별하기 위한 여러 분류기 및 기능에 대한 ROC 곡선

X축은 수면으로 잘못 분류된 실제 Wake Epoch의 비율. y축은 수면으로 올바르게 분류된 실제 수면 epoch의 비율ROC 곡선은 분류기에 의해 각 Epoch에 할당된 클래스 확률에 가능한 임계값의 전체 범위를 적용하여 생성한다.

 

수면과 기상을 구별하기 위한 여러 분류기 및 기능에 대한 정밀 재현율 곡선

x축은 올바르게 분류된 실제 후류 Epoch의 비율 , y축은 올바른 분류기에 의해 후류로 레이블이 지정된 모든 Epoch의 비율

wake/NREM/REM 분류를 위한 여러 분류기 및 기능에 대한 ROC 곡선

X축의 각 점은 NREM 또는 REM 수면으로 분류된 모든 기상 Epoch가 계산되어 잘못 분류된 각성 Epoch의 비율

y축은 REM 및 NREM 정확도 비율을 나타낸다. REM 및 NREM 정확도 간의 차이를 최소화하는 값을 찾을 수 있다.

알고리즘 훈련 및 선택

로지스틱 회귀, k-최근접 이웃, 랜덤 포레스트 분류기 및 신경망(다층 퍼셉트론, MLP)이 서로 다른 분류 알고리즘을 비교할 때 후보 모델로 사용된다.이 문서에서 분석을 수행하고 수치를 생성하는 데 사용된 모든 코드는 https://github.com/ojwalch/sleep_classifiers 에서 사용할 수 있다. 각 분류기에 대해 검색된 하이퍼파라미터는 보충 표 S1에 제공된다.

모델은 Monte Carlo 교차 검증과 Leave-One-Out 교차 검증을 모두 사용하여 훈련되고 테스트되었다.

수면/각성 분류를 사용한 몬테카를로 교차 검증의 경우 train set을 70%로 두었다. ROC 곡선은 단일 참/거짓 양성 비율 쌍이 아니라 모델에 대해 가능한 모든 참 및 거짓 양성 비율을 나타낸다.

수면과 기상 사이의 클래스 불균형으로 인해 정밀 회상 곡선도를 긍정적 클래스로 사용하였소 ROC 및 정밀도-재현율 곡선은 각 반복에서 생성된 데이터의 새로운 세분화와 함께 평균 성능을 나타낸다.

 

 

출처 : https://academic.oup.com/sleep/article/42/12/zsz180/5549536