Klasifikace spánkových stádií z polysomnografického záznamu a aktigrafie

Abstract

Hlavním cílem této studie je navrhnout a vyhodnotit algoritmy pro identifikaci různých fází spánku z kombinace záznamů aktigrafie a polysomnografie. Aktigrafie je jednoduchá metoda analýzy pohybové aktivity, poskytující velký potenciál pro sledování spánku. Zatímco je však aktigrafie přesná při klasifikaci spánku a bdění, je mnohem méně přesná při identifikaci spánkových stadií. Polysomnografie je referenční metodou hodnocení spánku, která kombinuje více biosignálů, například EEG a EKG. Ve srovnání s aktigrafií je složitější a nákladnější, zejména je třeba pacientům připojit velký počet senzorů a je třeba navštívit specializované centrum s vyškoleným personálem. Předchozí studie používaly ke klasifikaci spánkových stadií fyziologické signály, jako je aktigrafie a polysomnografie. V této práci jsme porovnávali původní model využívající údaje z aktigrafie s rozšířenými modely, které zahrnovaly i další biosignály, jako je elektrokardiografie (EKG) a pohyby nohou. Na základě analýzy jsme potvrdili, že přidání EKG signálů hraje důležitou roli při zlepšování přesnosti klasifikace spánkových stadií. Výkonnost modelu byla hodnocena ve dvou různých scénářích: pomocí křížové validace na základě vzorků a křížové validace na základě pacientů. Při validaci na základě vzorku vykazovala kombinace aktigrafie, EKG, signálů pohybů nohou a času od začátku spánku nejvyšší výkon s přesností 0,69 a skóre F1 0,67 při klasifikaci 30-sekundových spánkových segmentů do 5 spánkových stadií . Na druhou stranu při použití pouze aktigrafie byla přesnost a skóre F1 nízké, a to 0,47, resp. 0,33, což potvrzuje obtížnost přesného rozlišení spánkových stadií pouze s jedním údajem. Ve validačním scénáři, založeném na pacientech, vykazovaly všechny modely nízkou výkonnost. I při kombinaci všech funkcí byla přesnost pouze 0,45 a skóre F1 0,42, což je podstatně méně než výsledky validace na základě vzorku. To naznačuje, že model má potíže se zobecněním dat na nové pacienty, a to kvůli existujícím systematickým rozdílům ve fyziologických signálech mezi pacienty. Tato studie ukazuje, že přesnost klasifikace spánkových stadií na základě aktigrafie lze zlepšit přidáním dalších signálů. jako je EKG a signály pohybů nohou. V přísnějším validačním scénáři, založeném na pacientech, však výsledky modelu nebyly dostatečné. Vzhledem k tomu, že tato studie nezahrnovala další signály, dostupné v polysomnografickém vyšetření, zejm. elektroencefalogram (EEG) a dýchání, může být v příštím výzkumu k dosažení vysoké přesnosti a zobecnitelnosti na nové pacienty využito těchto signálů.The main goal of this study is to design and evaluate algorithms for identifying different sleep stages using a combination of actigraphy and polysomnography recordings. Actigraphy is a simple and convenient method to analyze movement activity and therefore provides a great potential for tracking sleep. However, while actigraphy is accurate in sleep-wake classification, it is much less accurate for identification of sleep stages. Polysomnography is the gold standard method for sleep evaluation, combining multiple biosignals, such as the EEG and ECG. It is more complex and expensive compared to actigraphy, especially when the patients need to attach many sensors and need to visit a specialized center with trained personnel. Previous studies have used physiological signals, such as actigraphy and polysomnography, to classify sleep stages. In this thesis, we compared an initial model that uses actigraphy data with extended models, which include additional biosignals, such as electrocardiography (ECG) and leg movement. From the analysis, we confirmed that the addition of ECG signals played an important role in improving the accuracy of sleep stage classification. The performance of the model was evaluated in two different scenarios: using sample-based validation and a patient-based cross-validation. In sample-based validation, the combination of actigraphy, ECG, leg movement signals and time since sleep start showed the highest performance with an accuracy of 0.69 and an F1 score of 0.67 in the classification of 30 secend sleep segments into 5 sleep stages . On the other hand, when using actigraphy alone, the accuracy and F1 score were low at 0.47 and 0.33, respectively, confirming the difficulty of accurately distinguishing sleep stages from actigraphy only. In a patient-based validation scenario, all models showed low performance. Even with all features combined, the accuracy was only 0.45, and the F1 score was 0.42, which is substantially lower than the results from sample-based validation. This suggests that the model has difficulty with generalizing data to new patients, due to existing systematic differences in physiological signals between patients. This study shows that the accuracy of sleep stage classification can be improved by combining polysomnography features such as ECG and leg movement signals into actigraphy. However, in the stricter patient-based validation scenario, the model results were not sufficient. Since this study did not include many features of polysomnography, such as electroencephalogram (EEG) and respiratory, additional research might be required to achieve high accuracy and generalizability to new patients.