Enhancing Sleep-Wake Detection Using Deep Learning and Optimal Channel Selection from High-Density EEG

Abstract

Denne masteroppgaven utforsker den utfordrende men viktige oppgaven med å klassifisere våkenhet fra søvn ved bruk av elektroencefalografi (EEG) data, som er viktig i både kliniske og hjemmemiljøer. Ettersom søvnforstyrrelser er et stadig voksende problem, kan effektiv og tilgjengelig søvn-våkenhet klassifisering bidra til å bedre folkehelsen og menneskets personlige velvære.

EEG er en nevroavbildningsteknikk som måler hjerneaktivitet ved å oppdage elektriske signaler i hjernen. I et hjerne-datamaskin-grensesnitt er EEG avgjørende for å tolke og transformere bioelektriske hjernesignaler til kommandoer for å kunne kontrollere eksterne enheter.

Denne oppgaven presenterer en omfattende studie av EEG-basert søvn-våkenhetsklassifisering. Fokuset ligger spesielt på å utvikle og evaluere en multi-objektiv optimaliseringsalgoritme som maksimerer modellytelsen samtidig som antall EEG kanaler brukt i klassifiseringen blir minimert. I tillegg gir denne optimaliseringen innsikt i viktigheten av spesifikke kanaler for våkenhetsdeteksjon og søvnvåkenhetsklassifisering.

Datasettet som brukes består av rå, ubehandlet EEG-data med høy tetthet samlet inn ved Human Sleep Laboratoriet ved International Institute of Integrative Sleep Medicine, Univeristy of Tsukuba, Japan. Søvnstadiene i datasettet er klassifisert av profesjonelle søvnteknologier. Dette arbeidet omfavner en unik bruk av rå, ubehandlet datasett som representerer virkelig data og presenterer en autentisk klassifiseringsutfordring til tross for den iboende ubalansen i datasettet.

Denne forskningen tar i bruk maskinlæring ved å bruke EEGNet-arkitekturen for dyp læring av nevrale nettverksmodeller i en pasient-for-pasient-metode. En ikke-dominerende sorteringsgenetisk algoritme brukes for å finne et redusert og optimalisert del-sett av kanaler. Et sentralt aspekt er å undersøke om slike del-sett kan oppnå tilsvarende ytelse i søvn-våkenhetsklassifisering slik som EEG data med høy tetthet.

Masteroppgaven argumenterer at den foreslåtte metodikken i betydelig grad kan bidra mot automatisk klassifisering av søvnstadier i sanntid. I tillegg til å bruke rå, ubehandlet og ubalansert data, oppnår de reduserte del-settene av kanaler sammenlignbare resultater slik som ved bruk av høy-tetthets data. Denne forskningen tilbyr mulige veier for fremtidig utvikling innen søvnforskning, spesielt mot å utvikle effektive, nøyaktige og virkelighetsaktuelle automatiserte klassifiseringssystemer for søvnstadier.

This master thesis explores the challenging yet important task of sleep-wake classification using electroencephalography (EEG) data, which has critical implications in both clinical and at-home settings. Given the rising prevalence of sleep disorders, the development of efficient and accessible sleepwake classification methodologies can significantly contribute to improving public health and wellbeing.

EEG is a neuroimaging technique that measures brain activity by detecting electrical signals in the brain. EEG is vital in examining and transforming bioelectric brain signals into commands controlling external devices in a brain-computer interface context.

This thesis presents a comprehensive exploration of EEG-based sleep-wake classification, specifically focusing on developing and evaluating a multi-objective optimization algorithm that maximizes model performance while minimizing the number of EEG channels used for classification. In addition, this optimization provides insights into the importance of specific channels for wake detection and sleep-wake classification.

The dataset used consists of raw, unprocessed high-density EEG data collected at the Human Sleep Laboratory of the International Institute of Integrative Sleep Medicine, University of Tsukuba, Japan. The sleep stages in the dataset are annotated by professional sleep technologists. Such a dataset uniquely embraces the use of raw, unprocessed datasets, emulating real-world data and presenting an authentic classification challenge despite the imbalance in the dataset.

This research adopts machine learning using the EEGNet architecture for deep-learning neural network models in a subject-by-subject approach. A Non-dominated Sorting Genetic Algorithm is used to find a reduced and optimized subset of channels. A key aspect is investigating whether such a subset can achieve comparable performance in sleep-wake classification as high as high-density EEG.

The thesis argues that the proposed methodology can significantly contribute to real-time, automatic sleep stage classification. In addition to utilizing raw, unprocessed, and unbalanced data, the reduced subset of channels achieves comparable results as using high-density data. This research offers potential pathways for future development in sleep research, specifically in developing efficient, accurate, and real-world applicable automated sleep stage classification systems.