본 논문은 수면 미세구조와 특정 인지 영역에 걸친 인간의 수행 능력 간의 관계를 심층적으로 조사한 연구입니다. 특히, 심층 학습 모델을 이용하여 수면 중 생리적 과정으로부터 실행 기능, 특히 인지 적응력과 개념적 추론을 예측할 수 있는지 여부를 조사했습니다. 이를 위해 다중 모드 수면다원기록(PSG) 데이터를 처리하도록 설계된 다중 스케일 합성곱-트랜스포머 모델인 CogPSGFormer를 제안합니다. 이 모델은 단일 채널 ECG 및 EEG 신호와 EEG 파워 밴드 및 심박수 변이성 매개변수와 같은 추출된 특징을 통합하여 모드 간의 상호 보완적인 정보를 포착합니다. STAGES 데이터셋의 817명의 개인을 대상으로 교차 검증을 통해 CogPSGFormer의 성능을 평가하였으며, Penn Conditional Exclusion Test (PCET) 점수를 기반으로 저성능 그룹과 고성능 그룹으로 개인을 분류하는 데 80.3%의 정확도를 달성했습니다. 이는 수면에서 얻은 신호를 이용한 인지 성능 예측에 있어 다중 스케일 특징 추출 및 다중 모드 학습 접근 방식의 효과를 강조합니다. 소스 코드는 공개적으로 제공됩니다.
