MEDI:GATE NEWS 에이슬립, 미국수면학회서 소리 기반 수면 단계 측정 딥러닝 모델 발표

기사입력시간 22.06.04 08:52최종 업데이트 22.06.04 08:52

사진: 게티이미지뱅크 [메디게이트뉴스 박도영 기자] 슬립테크 스타트업 에이슬립이 6월 4~8일(현지시간) 미국 노스캐롤라이나주 샬럿에서 열리는 세계 최대 수면 학술대회 SLEEP 2022에서 새로운 연구 성과를 발표했다. SLEEP은 미국수면의학회(American Academy of Sleep Medicine)와 수면연구학회(Sleep Research Societ)가 공동 설립한 수면전문학회(Associated Professional Sleep Societies)의 연례학술대회다. 에이슬립은 이번 학술대회에서 동국대, 분당서울대병원 연구팀과 수면 중 스마트폰으로 녹음된 오디오를 사용해 수면 단계를 확인하는 딥러닝 모델을 소개했다. 연구팀은 수면다원검사(PSG) 데이터에서 추출된 것(n=1154)과 독립적인 대상자로부터 수면다원검사를 받는 동안 스마트폰을 사용해 추출한 것(n=327) 두 가지 다른 오디오 데이터 세트를 사용했다. 연구팀은 "사운드 기반 수면 스테이징의 성능은 항상 오디오 품질에 따라 달라진다. 실제 상황(비접촉 및 스마트폰 마이크)에서는 야간에 호흡과 신체 움직임 소리가 너무 약해 이러한 신호 에너지가 주변 소음보다 작을 때가 있다"면서 "제안된 신경망 모델은 두 개의 하위모델로 구성, 각 30초 에폭(epoch) 멜 스펙트로그램(Mel spectrogram)에서 특징을 추출하고 추출된 특징의 에폭 간 분석을 통해 수면 단계를 분류했다"고 설명했다. 연구 결과 에이슬립 모델은 다양한 신호 대 잡음(signal-to-noise) 조건에서 기상과 빛, 깊은 잠, 급속안구운동(REM) 4개 클래스 단계 분류에서 각각 77%, 73%, 46%, 66% 정확도를 보였다. 모델 성능은 수면 무호흡이 있는지 여부에 크게 영향을 받지 않았지만, 심한 주기적인 사지 움직임으로는 성능이 떨어지는 것이 관찰됐다. 이러한 결과는 스마트폰 데이터 세트를 사용한 외부 검증에서도 유사하게 나타났다. 웨어러블기기 핏비트(클래스당 평균 감도 0.6325)과 슬립스코어(클래스당 평균 감도 0.565)와 같이 상업적으로 이용 가능한 일부 수면 측정기와 비교했을 때 에이슬립 모델은 PSG 오디오(클래스당 평균 감도 0.655)와 스마트폰 오디오(클래스당 평균 감도 0.6525) 모두 우수한 성능을 보였다. 연구팀은 "우리가 아는 한 이는 실제 조건에서 오디오 데이터로 작업할 수 있는 첫번째 엔드(Mel 스펙트로그램 기반 특징 추출) 투 엔드(수면 단계) 딥러닝 모델이다"면서 "우리가 제안한 소리 기반 수면 단계의 딥러닝 모델은 안정적인 가정 수면 측정을 위해 스마트폰에 통합될 수 있다"고 결론 내렸다.

제보 공유

에이슬립, 미국수면학회서 소리 기반 수면 단계 측정 딥러닝 모델 발표

[SLEEP 2022] 수면다원검사와 스마트폰 추출 오디오 데이터 모두 성능 우수

[메디게이트뉴스 박도영 기자] 슬립테크 스타트업 에이슬립이 6월 4~8일(현지시간) 미국 노스캐롤라이나주 샬럿에서 열리는 세계 최대 수면 학술대회 SLEEP 2022에서 새로운 연구 성과를 발표했다.

SLEEP은 미국수면의학회(American Academy of Sleep Medicine)와 수면연구학회(Sleep Research Societ)가 공동 설립한 수면전문학회(Associated Professional Sleep Societies)의 연례학술대회다.

에이슬립은 이번 학술대회에서 동국대, 분당서울대병원 연구팀과 수면 중 스마트폰으로 녹음된 오디오를 사용해 수면 단계를 확인하는 딥러닝 모델을 소개했다.

연구팀은 수면다원검사(PSG) 데이터에서 추출된 것(n=1154)과 독립적인 대상자로부터 수면다원검사를 받는 동안 스마트폰을 사용해 추출한 것(n=327) 두 가지 다른 오디오 데이터 세트를 사용했다.

연구팀은 "사운드 기반 수면 스테이징의 성능은 항상 오디오 품질에 따라 달라진다. 실제 상황(비접촉 및 스마트폰 마이크)에서는 야간에 호흡과 신체 움직임 소리가 너무 약해 이러한 신호 에너지가 주변 소음보다 작을 때가 있다"면서 "제안된 신경망 모델은 두 개의 하위모델로 구성, 각 30초 에폭(epoch) 멜 스펙트로그램(Mel spectrogram)에서 특징을 추출하고 추출된 특징의 에폭 간 분석을 통해 수면 단계를 분류했다"고 설명했다.

연구 결과 에이슬립 모델은 다양한 신호 대 잡음(signal-to-noise) 조건에서 기상과 빛, 깊은 잠, 급속안구운동(REM) 4개 클래스 단계 분류에서 각각 77%, 73%, 46%, 66% 정확도를 보였다. 모델 성능은 수면 무호흡이 있는지 여부에 크게 영향을 받지 않았지만, 심한 주기적인 사지 움직임으로는 성능이 떨어지는 것이 관찰됐다.

이러한 결과는 스마트폰 데이터 세트를 사용한 외부 검증에서도 유사하게 나타났다. 웨어러블기기 핏비트(클래스당 평균 감도 0.6325)과 슬립스코어(클래스당 평균 감도 0.565)와 같이 상업적으로 이용 가능한 일부 수면 측정기와 비교했을 때 에이슬립 모델은 PSG 오디오(클래스당 평균 감도 0.655)와 스마트폰 오디오(클래스당 평균 감도 0.6525) 모두 우수한 성능을 보였다.

연구팀은 "우리가 아는 한 이는 실제 조건에서 오디오 데이터로 작업할 수 있는 첫번째 엔드(Mel 스펙트로그램 기반 특징 추출) 투 엔드(수면 단계) 딥러닝 모델이다"면서 "우리가 제안한 소리 기반 수면 단계의 딥러닝 모델은 안정적인 가정 수면 측정을 위해 스마트폰에 통합될 수 있다"고 결론 내렸다.

오탈자 신고 스크랩 인쇄 제보 공유

박도영 기자 (dypark@medigatenews.com)더 건강한 사회를 위한 기사를 쓰겠습니다

이 기자의 다른 기사 보기

댓글보기(0)