2013년 10월전자공학회논문지제 50 권제 10 호 Journal of The Institute of Electronics Engineers of Korea Vol. 50, NO. 10, October 2013 http://dx.doi.org/10.5573/ieek.2013.50.10.207 논문 2013-50-10-23 수면단계분석을위한특징선택알고리즘설계 (The Design of Feature Selecting Algorithm for Sleep Stage Analysis ) 이지은 *, 유선국 ** * ( JeeEun Lee and Sun K. Yoo c ) 요 약 본연구의목적은수면상태분석을위한분류기를설계해줌과동시에생체신호를기반으로하여수면상태판별에유효한주요특징벡터들을추출함에있다. 수면은인간의삶에중요한영향을끼친다. 따라서사람들이수면부족혹은수면장애를겪게되면집중력감퇴, 인지기능장애등의문제를가질우려가생기게되므로, 수면단계판별에관한많은연구들이이루어지고있다. 본연구에서는피험자가수면을취하는동안피험자의생체신호를획득하였다. 획득된생체신호로부터필터링등의전처리과정을통하여특징들을추출하여주었다. 추출된특징들은유전알고리즘과신경망을결합하여만든새로운알고리즘의입력으로사용되었으며, 알고리즘은수면단계분석을위하여높은가중치를가지는특징을선택하여주었다. 이에따른결과로뇌파신호와심전도신호모두사용시알고리즘의정확도는약 90.26% 가나왔으며, 선택되어진특징은뇌파신호의 α 파와 δ 파의주파수파워와심전도신호의 SDNN(Standard deviation of all normal RR intervals) 이다. 선택된특징은수면상태를분류하는데중요한역할을함을알고리즘을반복적으로수행하여확인하였고, 이연구는추후수면장애의진단혹은수면분석의지침을만드는데사용가능할것으로사료된다. Abstract The aim of this study is to design a classifier for sleep stage analysis and select important feature set which shows sleep stage well based on physiological signals during sleep. Sleep has a significant effect on the quality of human life. When people undergo lack of sleep or sleep-related disease, they are likely to reduced concentration and cognitive impairment affects, etc. Therefore, there are a lot of research to analyze sleep stage. In this study, after acquisition physiological signals during sleep, we do pre-processing such as filtering for extracting features. The features are used input for the new combination algorithm using genetic algorithm(ga) and neural networks(nn). The algorithm selects features which have high weights to classify sleep stage. As the result of this study, accuracy of the algorithm is up to 90.26% with electroencephalography(eeg) signal and electrocardiography(ecg) signal, and selecting features are alpha and delta frequency band power of EEG signal and standard deviation of all normal RR intervals(sdnn) of ECG signal. We checked the selected features are well shown that they have important information to classify sleep stage as doing repeating the algorithm. This research could use for not only diagnose disease related to sleep but also make a guideline of sleep stage analysis. Keywords : 수면, 뇌파, 심전도, 유전알고리즘, 신경망 Sleep, EEG, ECG, GA, NN * 학생회원, 연세대학교일반대학원생체공학협동과정 (Graduate School of Biomedical Engineering, Yonsei University, Seoul, Korea) ** 정회원, 연세대학교의과대학의학공학교실 (Department of Medical Engineering, Yonsei University College of Medicine, Seoul, Korea), c Corresponding Author(E-mail: sunkyoo@yuhs.ac) 본연구는 2012년도정부 ( 미래창조과학부 ) 의재원으로한국연구재단의지원을받아수행되었음 (No.2010-0026833). 접수일자 : 2013년7월10일, 수정완료일 : 2013년10월2일 (2659)
208 수면단계분석을위한특징선택알고리즘설계이지은외 Ⅰ. 서론수면은인간이활동을함에있어서큰부분을차지하고있다. 수면은자극이주어져도반응이줄어드는행동상태로서무의식상태를유지하게된다. 이러한수면상태시우리몸은휴식을제공받게되고, 몸의에너지를다시채울수있는시간을가지게된다. 평균성인은하루 7시간에서 8시간반정도의수면을취하고, 노인이나어린아이는성인과는다른수면시간을가진다. 특히신생아의경우에는하루에 14시간에서 16시간정도의수면을취한다 [1]. 이는수면이생체활동과깊은관련이있다는것을보여준다. 이에따라수면이부족하거나수면장애가생기는경우, 집중력, 판단력이떨어질뿐만아니라심하게는지적능력까지떨어짐으로크고작은문제들을발생한다. 따라서수면단계의정확한분석은사고방지의기초적단계라고볼수있다 [2]. 수면은크게렘수면과비렘수면으로나눌수있다. 렘수면상태에서는빠른안구운동이일어난다는특징을가짐으로비렘수면상태와구분된다. 렘수면과비렘수면은수면시일정사이클을가지고일어나며, 이사이클은수면시간계산을통하여수면의정상패턴을알기위하여표준적기준이될수있다. 수면을좀더상세하게분류시에는수면의깊이에따라수면상태분류가가능하다. 각성상태를거쳐얕은수면상태, 깊은수면상태그리고렘수면상태까지 4가지상태로분류가가능하며, 이때얕은수면과깊은수면은각각 1 단계 2단계로분류가가능하여수면은총 6단계의분류가가능하다 [3]. 각각의수면상태에서는모두다른뇌파신호의주파수영역을가지며이는수면연구에있어가장유용한지표로삼아져오고있다 [4~5]. 뇌파신호뿐만이아닌사람의몸에서측정가능한생체신호들역시수면상태분류의정확도를높이기위해많이사용이된다. 특히안구근전도신호는렘수면상태의판별에있어중요한역할을한다. 그러나안구근전도신호의측정을위해서는수면중눈주위에전극을부착해야하므로다른전극에비해이질감이커수면을방해하는요소로작용할가능성이있다. 또한현재널리사용되고있는수면다원검사같은경우모든생체신호를종합적으로측정하는방법을사용하고있다. 이는수면뿐만이아닌전체적몸상태의이상여부를판단해주는보다정확한 검사라는장점이있는반면, 많은센서의사용으로인하여생체신호를획득하는과정이복잡하다는단점또한가진다. 따라서본논문에서는측정채널이보다간편하고생체신호로부터특징추출이용이한심전도신호와수면을가장잘나타내주는뇌파신호를이용하였다. 두개의생체신호로부터간편하고정확한특징을추출하여분류기의정확도를높이고자하였고, 더나아가수면상태판별에유효한최소한의특징을선택해주는특징선택알고리즘을설계하고자한다. Ⅱ. 방법 1. 데이터획득및샘플생성수면분석을위하여사용된데이터는평균 28살의성인남성 7명으로부터측정되었다. 실험은평균 6.5시간의피험자수면시간동안진행이되었고, 모든피험자들에게실험전동의를받고진행되었다. 측정된데이터는심전도신호와뇌파신호이다. 심전도신호는사지유도법으로측정되었고, 일회용전도성접착전극을사용하였고, 뇌파신호는 C4 영역에비침습적접시전극을부착하여측정하였다. 신호는 BIOPAC을이용하여측정하였고, 1000Hz로샘플링시켜민감한생체신호를정확히측정하고자하였다. 또한신호는 BIOPAC 에서전원노이즈를제거해주는필터처리를거쳐획득되었다 [6]. 측정된평균 6.5 시간의데이터는 30초씩윈도우를주었고, 윈도우한개당한개의샘플을획득할수있었다. 30초씩윈도우를씌운데이터를 Rechtschaffen and Kales rule(r&k rule) 에따라뇌파신호를육안으로분석하여부류를정하여주었다. R&K 규칙은수면상태를판별하기위하여기존부터널리쓰이고있는방법으로육안으로분석한다는단점이있으나그만큼정확하다는장점을가진다. R&K 규칙에의하면각성상태시에는 α파와 β파가나타나는것을볼수있고, 얕은수면시에는 σ파와스핀들현상및 K-complex가나타남을볼수있다. 또한깊은수면상태에서는 δ파가렘상태에서는모든범위의주파수대역의파형이나타남을확인할수있다 [7,8]. 특징추출에앞서나누어준 30초씩의윈도우를사용하여수면데이터한개당평균 780개의샘플을획 (2660)
2013 년 10 월전자공학회논문지제 50 권제 10 호 209 Journal of The Institute of Electronics Engineers of Korea Vol. 50, NO. 10, October 2013 득할수있다. 그러나본연구데이터에서는각성상태의데이터가상대적으로부족하였기때문에샘플들의개수를균일하게맞춰주는과정이필요하였다. 따라서다른수면상태시데이터들의개수와비슷한샘플개수를가질수있도록각성상태시획득된데이터를이용하여샘플을더생성하여주었다. 최종적으로생성된샘플들을훈련집합과테스트집합으로반씩나누어사용하였다. 본연구에서는아래 (1)~(4) 의식을이용하여심박변이도의시간도메인영역인 mean, standard deviation of all normal RR intervals(sdnn), root mean square of the successive differences(rmssd), successive NN intervals differing more than 50ms(NN50) 의값들을찾아주었다. (1) 2. 특징추출 (1) 뇌파 (EEG; Electroencephalography) 뇌파신호는근육의미세움직임에영향을받아노이즈를발생시킬가능성이많으므로전처리과정이필요하다. 획득된뇌파신호의원신호에서총신호의평균값을제거하여베이스라인을맞추어주고, 직선성분을제거하여움직임에의해영향을받은파형을상쇄시켜주었다. 다음으로전원노이즈및고주파성분을제거해주는필터처리를거쳐주었고, 신호처리가된뇌파신호를획득할수있었다 [9]. 전처리가된뇌파신호를주파수영역특징벡터를추출하기위하여 fast fourier transform(fft) 을이용하여주파수대역을분리해주었다. 분리된주파수대역을이용하여 30초마다의 δ파, σ파, α파, β파, γ파각각의특징주파수파워들을계산하여주었다. 계산된주파수파워를총주파수파워로나눠상대적주파수파워를계산하였다. 이는 C4영역에서의뇌파신호의특징값들로추출되었다 [10]. (2) 심전도 (ECG; Electrocardiography) 심전도신호는심박변이도 (HRV; Heart rate variability) 를사용하여시간도메인혹은주파수도메인의분석을해준다. 따라서정확한심박변이도를구하는것은심전도신호로부터특징을추출하는데기본이되고, 이는 QRS 검출을정확히할때성립될수있다. 따라서심박변이도추출에앞서사지유도법을통해 BIOPAC으로측정된심전도신호를다시한번 MATLAB 을사용하여필터처리하였다. 이는측정및획득과정에서생기는신체움직임에의하여발생되는잡음가능성을완연방지하고자함이다. 필터처리가된심전도신호를사용하여 QRS를검출하여주었고, 찾은 R 피크의간격을이용하여심박변이도를구해주었다. (2) (3) if (4) 또한주파수도메인영역분석을통하여저주파와고주파의비 (LF/HF) 를추출하여심전도의특징벡터로만들어주었다 [11~13]. 추출된특징값들은서로상이하게다른범위의값들을가지고있다. 따라서가중치의편향성을막기위하여모든특징들을각각 0에서 1사이의값들로정규화시켜특징벡터로만들어주었다. 그림 1은각각 0 에서 1사이로정규화된뇌파신호와심전도신호의특징벡터들을각수면상태별로나타내준것이다. 본논문의알고리즘은이와같은특징벡터를가지고분석하 그림 1. 뇌파신호와심전도신호의특징 Fig. 1. Features about EEG and ECG singals. (2661)
210 수면단계분석을위한특징선택알고리즘설계이지은외 그림 2. GA-NN 알고리즘의흐름도 Fig. 2. Flowchart of GA-NN algorithm. 였다. 그림 1은뇌파신호와심전도신호로부터추출된특징들을나타낸것이다. 가로축은각각의특징벡터들을나타내고, 세로축은 0에서 1사이로정규화된특징값을나타낸다. 그림 1을통하여각각의특징벡터가수면상태에따라다른값을가지는것을확인할수있다. 뇌파신호로부터추출된신호는수면상태에따라모두차이를보이지만심전도신호에서추출된특징들은항상유의한차이를가지는것은아님을알수있다. 또한 0 에서 1사이로정규화된특징벡터는각수면상태간차이가충분하지않다면분산의영향을받을가능성이있기때문에특징벡터의조합이필요로된다. 3. GA-NN(Genetic algorithm-neural networks) 추출된특징벡터들을사용하여수면상태판별을더욱정확하게해주고중요한특징선택을위하여유전알고리즘과신경망을결합하였다 [14]. 유전알고리즘을통하여중요한역할을하는특징을추출해주고, 적합도함수로신경망을사용하여데이터의분류에러비율을최소화시켜주도록하였다 [15-17]. 그림 2는전체적인 GA-NN 알고리즘의흐름도이다. 알고리즘의입력으로는뇌파신호와심전도신호로부터추출된특징들을사용한다. 입력으로들어가는특징에따라신경망을이용한적합함수의값이다르게나온다. 따라서수면상태판별상태를평가하는적합함수계산을 표 1. 신경망알고리즘설정조건에따른성능 Table 1. Performance by NN conditions. Hidden node layer 1 1 1 1 1 1 1 1 Hidden nodes 4 4 3 5 8 10 4 4 Epoch 500 3000 500 500 500 500 500 500 Activation function (Hidden) sigmoid sigmoid sigmoid sigmoid sigmoid sigmoid sigmoid sigmoid Activation function (Output) sigmoid sigmoid sigmoid sigmoid sigmoid sigmoid linear tangent Time[sec] 9.31 51.15 7.94 10.11 12.12 14.23 8.15 8.16 Accuracy(%) 76.69 77.93 75.34 78.65 49.44 85.14 87.10 66.81 Hidden node layer 1 1 2 2 2 Hidden nodes 4 4 4 4 4 3 4 3 Epoch 500 3000 500 500 500 Activation function (Hidden) linear tangent sigmoid sigmoid sigmoid sigmoid sigmoid linear Activation function (Output) sigmoid sigmoid sigmoid sigmoid sigmoid Time[sec] 1.63 9.80 8.71 8.63 9.99 Accuracy(%) 70.63 75.14 58.07 66.12 82.41 (2662)
2013 년 10 월전자공학회논문지제 50 권제 10 호 211 Journal of The Institute of Electronics Engineers of Korea Vol. 50, NO. 10, October 2013 통하여특징선택, 교차그리고변이의과정을거쳐최적의특징벡터를선택할수있도록하였다. (1) 신경망 (NN; Neural networks) 수면상태분석을위해신경망의역전파알고리즘을사용하였다. 이는주어진특징벡터에관하여전방계산으로오류를추정하고, 다시출력층에서입력층으로후방계산하며오류를갱신하는과정을거치는알고리즘이다. 이와같은과정을반복하며가중치를최적화시킴으로원하는결과를얻을수있다 [18~19]. 역전파알고리즘을사용하기위하여서는히든층의개수, 노드개수, 활성함수등설정해주어야하는조건들이있고, 이러한조건들에따라분류기의수행능력이달라진다 [2 0~21]. 신경망은사용자에의하여설계되기때문에표 1과같이다양한설정조건을바탕으로신경망알고리즘의수행시간및성능을평가하였다. 가장적절한신경망알고리즘조건은은닉층이 1개, 은닉노드가 4개, 반복횟수는 500번, 은닉층활성함수는시그모이드함수, 출 표 2. 뇌파신호에서신경망알고리즘성능 Table 2. NN performance from EEG. Hidden node layer 1 1 1 Hidden nodes 4 3 4 Epoch 500 500 500 Activation function (Hidden) sigmoid sigmoid sigmoid Activation function (Output) sigmoid sigmoid linear Time[sec] 7.46 6.48 7.34 Accuracy(%) 75.06 70.31 81.95 표 3. 심전도신호에서신경망알고리즘성능 Table 3. NN performance from ECG. Hidden node layer 1 1 1 Hidden nodes 4 3 4 Epoch 500 500 500 Activation function (Hidden) Activation function (Output) sigmoid sigmoid sigmoid sigmoid sigmoid linear Time[sec] 7.27 6.45 7.49 Accuracy(%) 61.35 56.75 65.08 력층활성함수는선형함수일경우로약 8.15초동안 87.1% 정도의가장높은정확도를가짐을확인하였다. 따라서이때의조건을뇌파신호와심전도신호모두사용할경우의적합도함수조건으로지정하여주었다. 표 2는뇌파신호만사용하였을때, 표 3은심전도신호만사용하였을때의신경망알고리즘조건을나타낸것이다. 두경우모두은닉층이 1개, 은닉노드가 4 개, 반복횟수는 500번, 은닉층활성함수는시그모이드함수, 출력층활성함수는선형함수일경우일때가장높은정확도를보였으므로신경망알고리즘조건은표 2 및표 3과같이설정하였다. (2) 유전알고리즘 (GA; Genetic algorithm) 유전알고리즘은생물체의유전자와같이좋은개체만을후대에재생시킬수있는원리를가지고설계된알고리즘이다 [22]. 유전알고리즘은적합도가가장높은개체들과이들을만드는부모세대및돌연변이등이필요함으로이를사용자가적절히정해주어야한다. 유전자개체집단의적절한사이즈는유전알고리즘에서중요한역할을한다. 따라서너무적은개체집단은탐색될유전자개체의한정으로알고리즘의성능을저하시킬수있다. 반면, 너무많은개체집단은연산량이방대하게증가하여알고리즘이비효율적으로사용될우려가있다. 때로는처음에준개체집단에서원하는답이없을가능성이존재하는데이는변이설정을통하여개체집단을조금씩랜덤하게바꾸어주어해결이가능하다 [16~17]. 추출된특징을선택하기위하여유전알고리즘의입력벡터를 1과 0으로주었다. 1이면입력특징을선택하고, 0이면선택하지않도록하여특징벡터를바꾸어주는알고리즘을만들었다. 이를통하여수면상태의분류에있어주요역할을하는특징선택이가능하였다. 주어진입력특징은개체집단에따른여러조합에따라적합도함수를만족시켜나간다. 이때룰렛과같은유전자선택방식에따라유전자의교차와변이를바탕으로유전자의개체집단이적합도함수의수행능력을높여주는방향으로수렴하게된다. 또한알맞는유전알고리즘의사용을위하여같은훈련집합과테스트집합으로부터설정조건만을다양하게바꾸어주며알고리즘의전역최저점으로의수렴상태를확인하였다. (2663)
212 수면단계분석을위한특징선택알고리즘설계이지은외 Ⅲ. 결과표 4는유전알고리즘의조건에따라선택되는특징들을나타내준것이다. 유전알고리즘설정의기본조건으로같은훈련집합과테스트집합에서개체집단이 50개, 반복 50번, 선택은룰렛방식으로 1개의개체만엘리트로끝까지유지하도록하였다. 교차점은무작위로개체집단의 0.25% 를교차시켜주고, 변이는필요할때자율적으로될수있도록하였다. 이를기본으로설정조건을하나씩바꿔주며그에따라선택되는특징들을확인하였다. 앞서말한기본설정조건을바탕으로표 5는뇌파신호만사용하였을때의선택된특징들을나타내어준것이고, 표 6은심전도신호만사용하였을때의선택된특징들을나타내준것이다. 유전알고리즘은조건의변화에따른약간의성능의차이를가졌다. 적합도함수인신경망알고리즘이많은부분을좌우하기때문에성능이크게변화하지않지만신경망알고리즘만사용한것과비교하여정확도가높아짐을볼수있다. 또한특징을선택해줌에따라정확도가모든특징을사용하는것에비해향상하는것을확인할수있으나, 신경망알고리즘과유전알고리즘의 표 4. 유전알고리즘설정조건에따라선택된특징 Table 4. Selected features by GA conditions. Population Generation Selection Elite Crossover function Crossover fraction Mutation function Accuracy( %) 10 50 roulette 1 random 0.25 feasible 89.08 30 50 roulette 1 random 0.25 feasible 90.52 50 50 roulette 1 random 0.25 feasible 90.80 50 100 roulette 1 random 0.25 feasible 90.52 50 50 tournament 1 random 0.25 feasible 89.96 50 50 roulette 5 random 0.25 feasible 90.23 50 50 roulette 1 one point 0.25 feasible 89.94 50 50 roulette 1 two point 0.25 feasible 90.52 50 50 roulette 1 random 0.5 feasible 90.52 50 50 roulette 1 random 0.75 feasible 90.52 50 50 roulette 1 random 0.25 gauss 90.23 Selected Features δ, σ, α, β frequency power SDNN, NN50, LF/HF δ, σ, α, β, γ frequency power SDNN, NN50 δ, σ, α, γ frequency power SDNN, NN50 δ, α, β, γ frequency power Mean, SDNN, NN50 δ, α, γ frequency power SDNN, NN50 δ, α, β, γ frequency power Mean, SDNN, RMSSD δ, α, γ frequency power Mean, SDNN, NN50 δ, σ, α, β, γ frequency power Mean, SDNN, RMSSD, NN50 δ, α, γ frequency power Mean, SDNN, NN50 δ, σ, α, β, γ frequency power Mean, SDNN, RMSSD, LF/HF δ, α, β, γ frequency power Mean, SDNN, LF/HF 표 5. 뇌파신호에서선택된특징 Table 5. Selected features from EEG. Population Generation Selection Elite Crossove Crossove Mutation Accuracy r function r fraction function (%) Selected Features 10 50 roulette 1 random 0.25 feasible 85.34 δ, α, β, γ frequency power 30 50 roulette 1 random 0.25 feasible 85.34 δ, α, β, γ frequency power 50 50 roulette 1 random 0.25 feasible 87.64 δ, σ, α, β, γ frequency power 50 50 tournament 1 random 0.25 feasible 86.21 δ, σ, α, β, γ frequency power 50 50 roulette 5 random 0.25 feasible 86.21 δ, σ, α, β, γ frequency power 50 50 roulette 1 one point 0.25 feasible 85.92 δ, α, β, γ frequency power 50 50 roulette 1 two point 0.25 feasible 86.49 δ, σ, α, β, γ frequency power 50 50 roulette 1 random 0.5 feasible 87.64 δ, α, β, γ frequency power 50 50 roulette 1 random 0.75 feasible 85.64 δ, σ, α, β, γ frequency power 50 50 roulette 1 random 0.25 gauss 85.92 δ, α, β, γ frequency power (2664)
2013 년 10 월전자공학회논문지제 50 권제 10 호 213 Journal of The Institute of Electronics Engineers of Korea Vol. 50, NO. 10, October 2013 표 6. 심전도신호에서선택된특징 Table 6. Selected features from ECG. Population Generation Selection Elite Crossove Crossove Mutation Accuracy r function r fraction function (%) Selected Features 10 50 roulette 1 random 0.25 feasible 67.81 Mean, SDNN, LF/HF 30 50 roulette 1 random 0.25 feasible 68.11 SDNN, RMSSD, NN50 50 50 roulette 1 random 0.25 feasible 69.54 SDNN, RMSSD, NN50 50 50 tournament 1 random 0.25 feasible 68.97 SDNN, RMSSD, NN50 50 50 roulette 5 random 0.25 feasible 69.83 SDNN, RMSSD, NN50, LF/HF 50 50 roulette 1 one point 0.25 feasible 69.83 SDNN, RMSSD, NN50 50 50 roulette 1 two point 0.25 feasible 70.11 SDNN, RMSSD, NN50, LF/HF 50 50 roulette 1 random 0.5 feasible 69.83 SDNN, RMSSD, NN50 50 50 roulette 1 random 0.75 feasible 70.11 SDNN, RMSSD, NN50 50 50 roulette 1 random 0.25 gauss 70.40 SDNN, RMSSD, NN50 표 7. 평균정확도및공통적으로선택된특징 Table 7. Mean accuracy and common selected features. Signal Average accuracy(%) Common selected features EEG, ECG 90.26 δ, α frequency power, SDNN EEG 86.24 δ, α, β, γ frequency power ECG 69.45 SDNN 조합은전반적으로결과도출시까지세대의반복으로인하여시간이오래걸렸다. 표 7은각신호별평균정확도및공통적으로선택된특징들을요약하여정리한것이다. 뇌파신호와심전도신호모두넣어주었을때평균정확도는 90.26% 로적합도함수의성능인 87.10% 보다약 3% 가량높아진것을확인하였다. 이때뇌파신호의 δ파와 α파의주파수파워, 심전도신호의 SDNN을반복적으로선택하여줌을확인할수있었다. 뇌파신호만넣어주었을경우에는약 86.24% 의성능을보였으며이는적합도함수보다높은성능인약 81.95% 보다약 4% 가량높은성능을보임을확인하였고, 이때대부분의특징인 δ파, α파, β파그리고 γ파의주파수파워가계속적으로선택되어짐을확인하였다. 마지막으로심전도신호만넣어주었을경우정확도는평균 69.45% 로적합도함수의정확도인 65.09% 보다약 4% 정도높아짐을보였고, 공통적으로선택되는특징은 SDNN이었다. Ⅳ. 토의및결론 기존의진행되어진수면연구를보면수면단계분석을 위하여대부분뇌파신호를기본적으로사용함을확인할수있다. 뇌파는수면상태에따라다른주파수영역을가지기때문에유효한결과를나타내고대부분 70% 이상의정확도를가지는것을확인할수있다 [23]. 또한기존의연구에서는뇌파신호의시간영역의특징을추출하는경우도있었으나시간영역의신호는무작위변화를동반하므로해석이어렵다는단점을가지므로본연구에서는뚜렷한특징을가지는뇌파의주파수영역특징을사용하였다 [24]. 또한다른생체신호들과비교하여상대적으로측정이간편하고, 잡음의영향을덜받으며, 특징이뚜렷한심전도신호를획득하여입력벡터로사용함으로정확도를기존연구와비교하여더높이고자하였다 [4, 12]. 본연구는수면상태를분석하기위하여신경망알고리즘을이용한교사학습을하였다. 따라서테스트집합을통한수면상태분류정확도를통하여신경망알고리즘의조건을찾아주었다 [15]. 또한유전알고리즘을사용하여높은차원의특징벡터에서유의한특징값을찾아주고자하였다. 유전알고리즘의설정조건을일정하게유지하여특징을선택하는것역시가능하나본연구에서는유전알고리즘의조건을바꾸어주므로알고리즘이지역최저점에빠지지않고전역최저점을찾을수있도록하였다 [16, 21]. 유전알고리즘에의하여추출된특징벡터내에서도더욱명확한특징을선택하여준다. 따라서향후연구에서는특징벡터추출시특정특징만을추출하므로입력벡터계산효율을높여줄것으로사료된다. 앞서언급했듯이수면은각각의상태별로서로다른주파수영역을가진다. 특히 α파는각성상태를, δ파는 (2665)
214 수면단계분석을위한특징선택알고리즘설계이지은외 깊은수면을나타내주는특징이다 [10]. 이파라미터들이주요특징으로선택되어졌다는것은이론과같이뇌파신호의주파수영역이수면상태를분류하기위해서주요한역할을한다는것을반증할수있는결과이다. 심전도신호의특징값으로선정된 SDNN은자율신경계의해석에서많이쓰이는특징이다. SDNN은 GA-NN 알고리즘을통하여수면단계분류에있어서도유의한특징을가짐을확인할수있었고, 수면무호흡에관한연구에서역시심전도신호의 R피크간격이수면무호흡검출에주요역할을한다는사전연구의결과를보았을때수면과심전도신호가관련성이있음을확인할수있었다 [4, 25]. 또한각생체신호별정확도와선택된특징들을구별하여분석한결과, 수면상태판별에있어서는뇌파신호가중요한역할을함을다시확인할수있었다. 또한심전도신호역시수면상태판별에있어중요한역할을가지고있으며심전도신호를넣어주면더정확한수면상태판별이가능함을확인하였다. 그러나심전도신호의특징은심박변이도를기반으로만들어주는신호이므로수면상태판별에있어비슷한역할을하는특징들은계산시비용이적은함수를선택하여넣어주는것이알고리즘성능향상에도움을줄수있다. 수면상태를분석함에있어약 90% 의정확도가필요한경우, 뇌파신호와심전도신호를이용하여 GA-NN 알고리즘을구현하면된다. 그러나뇌파신호와심전도신호를기반으로수면상태를분석시신경망알고리즘만사용하여도 85% 이상의정확도를가진다. 따라서수면시간을실시간분석하고자하면알고리즘속도가 GA-NN보다비교적빠른신경망알고리즘만을응용하는것이효율적이다. 그러나전극의부착시간비용, 특징벡터추출비용등을고려한다면뇌파신호만을추출한 GA-NN 알고리즘을사용하여도 85% 이상의정확도를가질수있다. 따라서추후연구의목적에맞는생체신호사용이가능할것으로사료된다. 특히환자의진단을위하여응용시에는알고리즘의속도가느려도정확한진단을할수있도록뇌파신호와심전도신호를모두사용한 GA-NN 알고리즘이유효할것으로추측된다. 수면상태를분석함에있어 GA-NN 알고리즘구현시적합도함수로신경망알고리즘을사용하기때문에알고리즘은신경망의영향을많이받게된다. 유전알 고리즘과신경망의조합은지역최소점에빠질수있는신경망의단점을유전알고리즘이보완해준다 [16]. 따라서알고리즘의정확도를높여줄뿐만아니라알고리즘에들어가는입력요소를단순화시켜줌으로기존의방법들과비교하여더정확한판별이가능하게해준다. 그러나때로는신경망알고리즘은초기값에따라많은영향을받게되므로같은입력벡터를넣어도상이한분류성능을가질때가있었다. 이때한세대안에서도큰편차가나타남을확인하였고이는개체집단의수렴을방해하는성질을보였다. 이는초기가중치를일정하게잡아줌으로더좋은성능을낼수있을것이라고예측된다. 또한현재설정값보다더높은세대수를설정해준다면알고리즘이더욱안정화될것이라고예상된다. 알고리즘설계에서는적합도함수설정을위하여사용자가직접조건을바꿔주며최고의성능을가지는조건을찾아주었다. 적합도함수의조건역시유전알고리즘의특성을연장하여이용해더욱쉽게미지수를구할수있을것이라사료된다. 본연구는수면부족혹은수면장애를진단하고이에따른사고방지를위하여사용이가능하다. 또한현재는수면다원검사를통하여생체에서측정가능한모든생체신호를측정함으로수면의이상여부를통하여질병을측정하고있는실태이다 [1, 4]. 그러나본논문에서제안한유전알고리즘과신경망알고리즘의조합을적용한다면최소한의생체신호측정으로도더욱빠르고정확한진단이가능할것이다. 더나아가본연구를바탕으로수면단계판별에관한신뢰할수있는객관적자료의도출이가능할것으로사료된다. REFERENCES [1] Kumar, Velayudhan Mohan, Sleep and sleep disorders, Indian Journal of Chest Diseases and Allied Sciences, vol. 50, no. 1, pp. 129, 2008. [2] Šušmáková, Kristina, Human sleep and sleep EEG, Measurement Science Review, vol. 4, no. 2, pp. 59-74, 2004. [3] Mcdonald, David G, et al, Studies of Spontaneous Electro dermal Responses in Sleep, Psychophysiology, vol. 13, no. 2, pp. 128-134, 1976. [4] Penzel, T, Is heart rate variability the simple (2666)
2013 년 10 월전자공학회논문지제 50 권제 10 호 215 Journal of The Institute of Electronics Engineers of Korea Vol. 50, NO. 10, October 2013 solution to diagnose sleep apnoea?, European Respiratory Journal, vol. 22, no. 6, pp. 870-971, 2003. [5] Burgess, Helen J, et al, Sleep and circadian influences on cardiac autonomic nervous system activity, American Journal of Physiology-Heart and Circulatory Physiology, vol. 273, no. 4, pp. 1761-1768, 1997. [6] Chung Ki Lee, Quantitative Analysis of Affective States based on Psycho-physiological Research using Biosignal Processing Technique, The Graduate School Yonsei University, 2011. [7] Wolpert, Edward A, A Manual of Standardized Terminology, Techniques and Scoring System for Sleep Stages of Human Subjects, Archives of General Psychiatry, vol. 20, no. 2, pp. 246, 1969. [8] Agarwal, Rajeev, and Jean Gotman, Computer-assisted sleep staging, Biomedical Engineering, IEEE Transactions on, vol. 48, no. 12, pp. 1412-1423, 2001. [9] Niedermeyer, Ernst, and Fernando H. Lopes da Silva, eds, Electroencephalography: basic principles, clinical applications, and related fields, Wolters Kluwer Health, 2005. [10] Schwilden, Helmut, Concepts of EEG processing: from power spectrum to bispectrum, fractals, entropies and all that, Best Practice &Research Clinical Anaesthesiology, vol. 20, no. 1, pp. 31-48, 2006. [11] Baharav, A, et al, Fluctuations in autonomic nervous activity during sleep displayed by power spectrum analysis of heart rate variability, Neurology, vol. 45, no. 6, pp. 1183-1187, 1995. [12] Bušek, P, et al, Spectral analysis of heart rate variability in sleep, Physiol res, vol. 54, pp. 369-376, 2005. [13] Malik, Marek, Heart rate variability, Annals of Noninvasive Electrocardiology, vol. 1, no. 2, pp. 151-181, 1996. [14] Sinha, Rakesh Kumar, Artificial neural network and wavelet based automated detection of sleep spindles, REM sleep and wake states, Journal of medical systems, vol. 32, no. 4, pp. 291-299, 2008. [15] Heo, Gi-Su, Oh, Il-Seok, Genetic Algorithm for Node Pruning of Neural Networks, Journal of the Institute of Electronics Engineers of Korea. CI, vol. 46, no. 2, pp. 65-74, 2009. [16] Dybowski, Richard, et al, Prediction of outcome in critically ill patients using artificial neural network synthesised by genetic algorithm, The Lancet, vol. 347, no. 9009, pp. 1146-1150, 1996. [17] Heckerling, Paul S, et al, Use of genetic algorithms for neural networks to predict community-acquired pneumonia, Artificial Intelligence in Medicine, vol. 30, no. 1, pp. 71-84, 2004. [18] Bishop, Christopher M, Neural networks for pattern recognition, Oxford university press, 1995. [19] Astion, M. L, and P. Wilding, The application of backpropagation neural networks to problems in pathology and laboratory medicine, Archives of pathology &laboratory medicine, vol. 116, no. 10, pp. 995, 1992. [20] Penny, Will, and David Frost, Neural networks in clinical medicine, Medical Decision Making, vol.16, no.4, pp. 386-398, 1996. [21] Forrest, Stephanie. "Genetic algorithms: principles of natural selection applied to computation, Science, vol. 261, no. 5123, pp. 872-878, 1993. [22] Bath, Peter A, et al, New approach to risk determination: development of risk profile for new falls among community-dwelling older people by use of a Genetic Algorithm Neural Network(GANN), Journals of Gerontology- Biological Sciences and Medical Sciences, vol. 55, no. 1, pp. 17, 2000. [23] Thomson, J. Richard, and Rudolph J. Klein, Recent Advances in Biomedical Engineering, Bios, pp. 148-158, 1983. [24] Güneş, Salih, et al, Sleep spindles recognition system based on time and frequency domain features, Expert Systems with Applications, vol. 38, no. 3, pp. 2455-2461, 2011. [25] Sung-Pil Cho, Ho-Sun Choi, Kyoung-Joung Lee, A Study on the Detection of Obstructive Sleep Apnea Using ECG, Conference Journal of the Institute of Electronics Engineers of Korea, pp. 2879-2882, 2003. (2667)
216 수면단계분석을위한특징선택알고리즘설계이지은외 이지은 ( 학생회원 ) 2012 년건국대학교의용전자공학과학사 2012 년 ~ 현재연세대학교생체공학협동과정석사과정 < 주관심분야 : u-health, 스마트디바이스, 생체신호처리및패턴인식, 감성공학 > 저자소개 유선국 ( 정회원 )- 교신저자 1981 년연세대학교전기공학과학사 1985 년연세대학교전기공학과석사 1989 년연세대학교전기공학과박사 1995 년 현재연세대학교의과대학의학공학교실교수 < 주관심분야 : u-health, 의료영상, 스마트디바이스, 생체신호처리및패턴인식, 감성공학 > (2668)