자동 뇌각성 탐지와 주간 졸림도 예측

초록

본 연구에서는 2,889개의 수면다원검사(PSG) 데이터를 활용해 1초 단위로 뇌각성(마이크로아러젼)과 각성을 자동으로 판별하는 딥러닝 모델인 Multimodal Arousal Detector(MAD)를 개발하였다. 테스트 셋 1,026건에서 arousal 검출 F1 점수 0.76, 각성(wake) 예측 정확도 0.95를 달성했으며, 60건의 다중 전문가 판독과 비교했을 때 평균 인간 스코어러보다 F1 점수에서 0.09만큼 우수하였다. 또한, MAD가 예측한 arousal 지수가 낮은 다음날 평균수면잠복시간(MSL)과 유의하게 연관됨을 보여, 모델의 임상적 타당성을 입증하였다.

상세 분석

본 논문은 수면다원검사(PSG)에서 뇌각성(마이크로아러젼)과 각성(wake)을 1초 해상도로 자동 탐지하는 시스템을 제안한다. 데이터는 MrOS, CFS, WSC, SSC 등 네 개의 대규모 코호트에서 총 5,362건(2,889건 훈련, 1,026건 테스트, 1,447건 MSLT 연계)으로 구성되어 다양성과 일반화를 확보하였다. 전처리 단계에서는 모든 신호를 128 Hz로 재샘플링하고, 대역통과 FIR/IIR 필터와 RLS 적응 필터를 적용해 전극 잡음 및 심전도/안구 움직임 아티팩트를 제거하였다. 표준화된 신호는 CNN 기반 특성 추출기에 입력돼 다중 채널(EEG, EOG, EMG, ECG)에서 저차원 특징을 자동으로 학습한다. 이어서 LSTM 레이어가 시간적 의존성을 모델링함으로써 1초 구간의 각성 여부를 이진 분류한다. 모델은 교차 엔트로피 손실과 클래스 불균형을 보정하기 위한 가중치를 사용해 최적화되었으며, 검증 과정에서 과적합을 방지하기 위해 early stopping과 dropout을 적용하였다. 성능 평가에서는 arousal 검출에서 F1 = 0.76, 각성 예측에서 정확도 = 0.95를 기록했으며, 다중 전문가 판독(5명, 30명 기술자)와 비교했을 때 평균 인간 스코어러의 F1 = 0.67보다 0.09 포인트 높은 결과를 보였다. 이는 현재 인간 간 스코어링 변동성(보통 0.05~0.10)보다도 우수한 수준이다. 임상적 타당성 검증을 위해 MAD가 산출한 arousal index와 다음날 MSLT에서 측정된 평균수면잠복시간(MSL) 간의 관계를 회귀 분석하였다. 다른 공변량(AHI, 연령, BMI 등)을 통제한 결과, arousal index가 두 배 증가할 때 MSL이 평균 40 초 감소(β = ‑0.67, p = 0.0075)한다는 유의한 연관성을 발견했다. 이는 arousal가 주간 졸림도에 직접적인 영향을 미친다는 기존 연구를 뒷받침하며, 자동화된 arousal 검출이 임상 의사결정에 활용될 수 있음을 시사한다. 한계점으로는 일부 코호트에서 arousal 라벨링이 일관되지 않았으며, 모델이 특정 신호 품질에 민감할 가능성이 있다는 점이다. 향후 연구에서는 라벨링 표준화를 확대하고, 실시간 모니터링 및 모바일 PSG와의 연동을 검토할 필요가 있다.