Since sleep has a close relationship with human health, studies have been done to identify sleep patterns and detect disorders. Particularly, the research of sleep state and sleep apnea, which is one of the most common areas of sleep disorders, has been the most actively studied area and shows high accuracy. However, the causes of sleep disturbances are more diverse. Arousal which is the one of them appears in many kinds, but the research is insufficient. Recently, Physionet, which provides a variety of bio-signal data sets for researchers, has released 13 bio-signal data for discrimination of arousal status. In this paper, we propose a recurrent neural network model that learns Mel-frequency cepstral coefficient as feature vectors which are extracted from the provided datasets to detect the arousal state during sleep. It is shown that the model can learn complex and sequential bio-signal data and can sequentially determine arousal state.
수면은 사람의 건강과 밀접한 관계를 갖고 있기 때문에 수면 패턴을 파악하고 장애를 탐지하는 연구는 지속적으로 이루어져왔다. 특히 수면 상태 판별과 보편적인 수면 장애 중 하나인 무호흡증에 대한 연구는 가장 활발히 연구된 분야이며 높은 정확도를 보여주고 있다. 하지만 수면 장애의 원인은 보다 다양한 곳에 있으며 그 중 하나인 각성 상태는 여러 종류로 나타나고 있음에도 연구는 미흡한 편이다. 최근, 연구자들을 위해 다양한 생체 신호 데이터셋을 제공하고 있는 Physionet에서는 이에 대한 일환으로 각성 상태 판별을 위한 13개의 생체 신호 데이터를 공개했다. 본 연구는 제공된 데이터셋에서 Mel-frequency cepstral coefficient를 추출하여 특징 벡터로 학습해 수면 중 각성 상태를 탐지하는 리커런트 뉴럴 네트워크 모델을 제시하고자 한다. 해당 모델을 통해서 복합적이고 연속적인 생체 신호 데이터를 학습해 연속적으로 각성 상태를 판별할 수 있는 모델이 될 수 있음을 보여주었다.
