다채널·고해상도 수면 단계 자동화 AnySleep

초록

AnySleep은 EEG·EOG 채널 수와 배치를 가리지 않고 30 초부터 0.008 초까지 조정 가능한 해상도로 수면 단계를 자동 분류하는 딥러닝 모델이다. 21개 기관·19 000여 건의 PSG 데이터를 활용해 학습·검증했으며, 채널 구성이 달라져도 매크로 F1 0.71~0.76 수준을 유지한다. 채널 수가 늘어날수록 성능이 상승하고, 고해상도 예측은 짧은 각성(아라우설)과 연령·성별·수면무호흡증 구분에 유용함을 보였다. 모델과 코드는 공개되어 다기관 연구에 바로 적용 가능하다.

상세 분석

AnySleep은 U‑Net 구조를 기반으로 한 인코더‑디코더 아키텍처에 채널‑어텐션 모듈을 삽입해 설계되었다. 각 입력 채널은 독립적인 인코더 블록을 거쳐 단계별 특징 맵을 생성하고, 어텐션 가중치를 통해 채널 간 상관관계를 동적으로 학습한다. 이 설계는 채널 수와 종류가 임의로 변해도 동일한 네트워크 파라미터로 처리할 수 있게 하며, 학습 단계에서 채널 조합을 무작위로 변형함으로써 실제 현장에서 발생할 수 있는 다양한 모니터링 환경에 대한 강인성을 확보한다.

모델은 128 Hz(≈0.008 s)까지의 시간 해상도로 출력할 수 있도록 디코더 끝에 가변‑주기 세그먼트 분류기를 두었다. 이는 기존 30 s epoch 기반 스코어링이 포착하지 못하는 초단위 변화를 포착하도록 설계된 것으로, 특히 각성·미세각성 이벤트를 높은 정밀도로 탐지한다. 실험에서는 MASS C1·C3 데이터셋의 전문가 주석과 비교했을 때, 2 ~ 8 s 구간에서 약 57 %의 겹침을 보였으며, IoU 기반 정밀도·재현율·F1이 각각 0.475·0.530·0.442에 달했다.

채널 구성에 대한 내성 검증에서는 모든 단일·이중 채널 조합에 대해 매크로 F1이 0.71~0.76 사이에 머물렀다. 특히 EOG가 없을 경우에도 성능 저하가 미미했으며, 채널 수가 늘어날수록(최대 6 EEG + 1 EOG) 0.771까지 상승했다. 이는 기존 U‑Sleep이 고정된 1 EEG + 1 EOG 입력에 비해 훨씬 유연하고, 다채널 입력을 통한 정보 융합을 효과적으로 수행함을 의미한다.

고해상도 예측을 이용한 메타데이터 추론에서도 의미 있는 결과가 도출되었다. ‘트리플릿 피처’(연속 3 단계 조합) 빈도 분석을 통해 연령이 높을수록, 남성·여성 간, 그리고 수면무호흡증 환자와 정상인 사이에 통계적으로 유의한 차이를 발견했다. 이는 미세한 단계 전이 빈도가 개인의 생리·병리적 특성을 반영한다는 가설을 뒷받침한다.

마지막으로 AnySleep은 공개된 GitHub 저장소(https://github.com/dslaborg/anysleep)를 통해 모델 가중치와 추론 코드를 제공한다. 이는 다양한 연구기관이 자체 PSG 데이터에 바로 적용할 수 있게 함으로써, 채널 불일치로 인한 데이터 배제 문제를 최소화하고, 대규모 멀티센터 수면 연구의 표준화와 가속화를 가능하게 한다.