NeuroSleep: 뉴로모픽 이벤트 기반 단일 채널 EEG 수면 단계 분석을 위한 에너지 효율적인 엣지 컴퓨팅 시스템

NeuroSleep: Neuromorphic Event-Driven Single-Channel EEG Sleep Staging for Edge-Efficient Sensing

목표. 웨어러블 엣지 플랫폼에서의 안정적인 지속적인 신경 신호 감지는 장기 건강 모니터링에 필수적이지만, 뇌파(EEG) 기반 수면 모니터링의 경우, 제한된 에너지 예산 하에서 높은 주파수 처리는 계산적으로 매우 부담스러울 수 있습니다. 접근 방식. 이러한 병목 현상을 해결하기 위해, 본 논문에서는 에너지 효율적인 수면 단계 분석을 위한 통합 이벤트 기반 감지 및 추론 시스템인 NeuroSleep을 제안합니다. NeuroSleep은 먼저 잔차 적응 다중 스케일 델타 변조(R-AMSDM)를 사용하여 원시 EEG 신호를 상호 보완적인 다중 스케일 양극 이벤트 스트림으로 변환하여, 감지 단계에서 명시적인 충실도-희소성 균형을 제공합니다. 또한, NeuroSleep은 이벤트 기반 적응 다중 스케일 응답(EAMR) 모듈을 사용하여 로컬 특징을 추출하고, 로컬 시간 어텐션 모듈(LTAM)을 사용하여 문맥 정보를 통합하며, Epoch-Leaky Integrate-and-Fire (ELIF) 모듈을 사용하여 장기적인 상태 지속성을 포착하는 계층적 추론 아키텍처를 채택합니다. 주요 결과. 단일 채널 EEG를 사용한 subject-independent 5-fold 교차 검증 실험에서, NeuroSleep은 Sleep-EDF Expanded sleep-cassette (SC) 데이터 세트에서 평균 74.2%의 정확도를 달성했으며, 이는 0.932 M의 파라미터만을 사용하고, 희소성 조정된 유효 연산을 기존의 밀집 처리 방식에 비해 약 53.6% 줄인 것입니다. 대표적인 밀집 Transformer 모델과 비교했을 때, NeuroSleep은 정확도를 7.5% 향상시키고 계산 부하를 45.8% 줄였습니다. 의의. NeuroSleep은 뉴로모픽 이벤트 인코딩과 상태 인지 문맥 모델링을 결합하여, 단일 채널 수면 단계 분석을 위한 배포 지향적인 프레임워크를 제공하며, 웨어러블 및 엣지 플랫폼에서 불필요한 고속 처리를 줄이고 에너지 확장성을 향상시킵니다.

Objective. Reliable, continuous neural sensing on wearable edge platforms is fundamental to long-term health monitoring; however, for electroencephalography (EEG)-based sleep monitoring, dense high-frequency processing is often computationally prohibitive under tight energy budgets. Approach. To address this bottleneck, this paper proposes NeuroSleep, an integrated event-driven sensing and inference system for energy-efficient sleep staging. NeuroSleep first converts raw EEG into complementary multi-scale bipolar event streams using Residual Adaptive Multi-Scale Delta Modulation (R-AMSDM), enabling an explicit fidelity-sparsity trade-off at the sensing front end. Furthermore, NeuroSleep adopts a hierarchical inference architecture that comprises an Event-based Adaptive Multi-scale Response (EAMR) module for local feature extraction, a Local Temporal-Attention Module (LTAM) for context aggregation, and an Epoch-Leaky Integrate-and-Fire (ELIF) module to capture long-term state persistence. Main results. Experimental results using subject-independent 5-fold cross-validation on the Sleep-EDF Expanded sleep-cassette (SC) subset with single-channel EEG demonstrate that NeuroSleep achieves a mean accuracy of 74.2% with only 0.932 M parameters while reducing sparsity-adjusted effective operations by approximately 53.6% relative to dense processing. Compared to the representative dense Transformer baseline, NeuroSleep improves accuracy by 7.5% with a 45.8% reduction in computational load. Significance. By coupling neuromorphic event encoding with state-aware context modeling, NeuroSleep offers a deployment-oriented framework for single-channel sleep staging that reduces redundant high-rate processing and improves energy scalability for wearable and edge platforms.