공존 수면 장애 단계 분류에서의 AI 일반화 격차

AI Generalisation Gap In Comorbid Sleep Disorder Staging

March 24, 2026

저자: Saswata Bose, Suvadeep Maiti, Shivam Kumar Sharma, Mythirayee S, Tapabrata Chakraborti, Srijitesh Rajendran, Raju S. Bapi

cs.AI

초록

정확한 수면 단계 분류는 뇌졸중 환자에서 폐쇄성 수면무호흡증(OSA) 및 저호흡증을 진단하는 데 필수적입니다. PSG는 신뢰할 수 있지만 비용이 많이 들고, 노동 집약적이며, 수동으로 채점됩니다. 딥러닝을 통해 건강한 대상자의 뇌파 기반 자동 수면 단계 분류가 가능하지만, 우리의 분석에 따르면 수면 구조가 손상된 임상 집단으로의 일반화 성능은 낮습니다. Grad-CAM 해석을 사용하여 우리는 이러한 한계를 체계적으로 증명합니다. 본 연구에서는 새롭게 임상 주석이 추가된 허혈성 뇌졸중 데이터셋인 iSLEEPS(공개 예정)를 소개하고, 단일 채널 뇌파 기반 수면 단계 분류를 위한 SE-ResNet 및 양방향 LSTM 모델을 평가합니다. 예상대로 건강한 대상자와 환자 간의 교차 도메인 성능은 낮았습니다. 임상 전문가의 피드백을 통해 지원된 주의 시각화 결과, 모델이 환자 데이터에서 생리학적으로 정보가 없는 뇌파 영역에 주목하는 것으로 나타났습니다. 통계 및 계산 분석은 건강한 집단과 허혈성 뇌졸중 집단 간에 수면 구조가 유의미하게 다름을 추가로 확인하며, 배포 전 임상 검증이 이루어진 대상자 인식 또는 질병 특이적 모델의 필요성을 강조합니다. 논문 요약 및 코드는 https://himalayansaswatabose.github.io/iSLEEPS_Explainability.github.io/에서 확인할 수 있습니다.

English

Accurate sleep staging is essential for diagnosing OSA and hypopnea in stroke patients. Although PSG is reliable, it is costly, labor-intensive, and manually scored. While deep learning enables automated EEG-based sleep staging in healthy subjects, our analysis shows poor generalization to clinical populations with disrupted sleep. Using Grad-CAM interpretations, we systematically demonstrate this limitation. We introduce iSLEEPS, a newly clinically annotated ischemic stroke dataset (to be publicly released), and evaluate a SE-ResNet plus bidirectional LSTM model for single-channel EEG sleep staging. As expected, cross-domain performance between healthy and diseased subjects is poor. Attention visualizations, supported by clinical expert feedback, show the model focuses on physiologically uninformative EEG regions in patient data. Statistical and computational analyses further confirm significant sleep architecture differences between healthy and ischemic stroke cohorts, highlighting the need for subject-aware or disease-specific models with clinical validation before deployment. A summary of the paper and the code is available at https://himalayansaswatabose.github.io/iSLEEPS_Explainability.github.io/