기계학습 기반 단일 채널 EEG 수면 단계 분류 모델

• 영문명: Machine Learning-Based Sleep Stage Classification Model Using Single-Channel EEG
• 발행기관: 적정기술학회
• 저자명: 이채린(Chaerin Lee) 권기혁(Gihyuk Kwon) 이소정(SoJung Lee) 김종완(Jongwan Kim)
• 간행물 정보: 『적정기술학회지』Vol.11 No.1, 31~40쪽, 전체 10쪽
• 주제분류: 공학 > 기타공학
• 파일형태: PDF
• 발행일자: 2025.04.30

국문 초록

본 연구는 뇌파(Electroencephalogram, EEG) 단일 채널 기반의 기계학습(machine learning) 모델을 활용하여 수면 단계를 자동으로 분류하고, 수면의 질을 직관적으로 평가할 수 있는 수면 분석 방법을 제안한다. 수면 단계 분석은 기존에 전문가의 수작업 해석에 의존하여 시간이 많이 소요되고 해석의 일관성이 부족하다는 한계가 있었다. 이러한 문제를 해결하기 위해 본 연구에서는 비급속 안구 운동 수면(Non-rapid eye movement, NREM)을 Light Sleep(LS)과 Deep Sleep(DS) 으로 단순화함으로써, 기존 American Academy of Sleep Medicine(AASM) 기준보다 예측 성능과 클래스 간 균형이 향상된 분류 체계를 구축하였다. 시간 및 주파수 영역 기반의 다양한 생체신호 특징을 활용하고, 데이터 불균형 문제를 보완하기 위한 borderline-SMOTE(Synthetic Minority Over-sampling Technique) 등의 학습 기법을 통합함으로써 전체적인 분류 정확도와 모델 안정성을 개선하였다. 특히 Gradient Boosting Machine(GBM)을 활용한 기계학습 기반 접근은 EEG의복잡한 패턴을 정밀하게 해석하고, DS 및 급속 안구 운동(Rapid eye movement, REM) 수면과 같은 소수 클래스에서 F1- score를 2배 이상 향상시키는 결과를 보였다. 전체적인 분류 성능 향상뿐만 아니라, 본 모델은 계산량이 적고 경량화된구조를 갖추고 있어 실시간 수면 모니터링 시스템 및 웨어러블 기반 진단 기기에의 직접 적용이 가능하다. 반복 측정이요구되는 임상 환경에서도 전문가의 시간·인력 부담을 줄이고, 환자의 수면 상태를 정량적이고 효율적으로 분석할 수 있어 실제 의료현장에서의 활용 가능성이 높다.

영문 초록

This study proposes a sleep analysis method that automatically classifies sleep stages and intuitively evaluates sleep quality using a single-channel Electroencephalogram (EEG)-based machine learning model. Traditional sleep stage analysis relies on manual interpretation by experts, which is time-consuming and often lacks consistency. To address these limitations, the proposed approach simplifies Non-Rapid Eye Movement (NREM) sleep into Light Sleep (LS) and Deep Sleep (DS), thereby constructing a classification system that improves both prediction performance and class balance compared to the conventional standard of the American Academy of Sleep Medicine (AASM). By incorporating diverse biosignal features from time and frequency domains and applying learning techniques such as borderline-SMOTE to mitigate class imbalance, the model enhances overall classification accuracy and stability. In particular, the machine learning approach using Gradient Boosting Machine (GBM) enables precise interpretation of complex EEG patterns, achieving more than a twofold improvement in F1-score for minority classes such as DS and Rapid Eye Movement (REM) sleep. In addition to its performance improvements, the model features a lightweight computational structure that allows direct integration into real-time sleep monitoring systems and wearable diagnostic devices. Especially in clinical environments where repeated measurement is required, the proposed model effectively reduces the time and labor burden on professionals while enabling efficient, quantitative analysis of a patient’s sleep status. These characteristics demonstrate the model’s high potential for practical application in real-world medical settings.

목차

서론

이론적 배경

연구 방법

결론

사사

References

키워드

Single-Channel EEG Sleep stage classification Light sleep Deep sleep Machine learning-based model