Klasifikace spánkových PSG záznamů s využitím expert-in-the-loop přístupu

Abstract

Klasifikácia spánkových štádií je dôležitou súčasťou objektívnej diagnostiky spánkových porúch. Nahrávanie signálov počas celej noci ale generuje rozsiahly objem dát, ktorých analýza je časovo náročná a drahá. Napriek veľkému počtu automatických klasifikátorov vyvinutých na túto úlohu zostáva z dôvodu ich nízkej dôveryhodnosti stále štandardom manuálne hodnotenie signálov. V rámci tejto práce bola navrhnutá metóda semi-automatickej klasifikácie spánkových štádií s využitím troch rôznych prístupov aktívneho učenia. Pomocou nich je možné vybrať reprezentatívnu vzorku dát určených na anotáciu expertom. Na základe týchto označených vzoriek je zostávajúca časť záznamu automaticky oskórovaná. Vytvorená metóda bola otestovaná na súbore 68 spánkových záznamov a všetky jej prezentované výsledky boli získané manuálnym ohodnotením 10 % každého záznamu. Súčasťou práce bolo porovnanie s piatimi bežnými automatickými modelmi, kde dosiahla semi-automatická klasifikácia s náhodným výberom segmentov v priemere o 4,40 % vyššiu accuracy a s výberom segmentov na základe neistoty o 2,15 % vyššiu accuracy. Najproblematickejšia na klasifikáciu sa vo všetkých prípadoch ukázala byť fáza Non-REM 1. Z dosiahnutých výsledkov vyplýva, že klasifikačná úspešnosť vytvorenej metódy je porovnateľná s plne automatickými prístupmi. Jej nespornou výhodou je však zvýšená miera interpretability a interaktivity. Zároveň v porovnaní s manuálnou klasifikáciou podstatne umožňuje podstatné zníženie času potrebného na anotáciu záznamov. Navrhovaná metóda semi-automatickej klasifikácie s využitím aktívneho učenia predstavuje rýchlejšiu a praktickú alternatívu k tradičnému manuálnemu hodnoteniu spánkových záznamov. Vstup experta do procesu klasifikácie zvyšuje dôveryhodnosť a zlepšuje generalizovateľnosť použitých modelov.

Accurate classification of sleep stages plays a key role in the objective diagnosis of sleep disorders. However, the recording of overnight signals generates a large volume of data, which are time-consuming and expensive to analyse. Despite the fact, that numerous automatic classification methods were developed for this task, manual scoring remains the golden standard. This thesis proposes a semi-automatic method for sleep stage classification using three active learning approaches. Active learning enables the selection of a representative subset of data for manual expert annotation. Based on the labeled samples, the remaining part of the recording is automatically scored. The proposed method was tested on 68 PSG recordings, with all reported results were obtained using manual labeling of only 10 % of each recording. The thesis also included a comparison with five conventional automatic models, in which the semi-automatic classification with random segment selection achieved an average accuracy improvement of 4.40 %, while uncertainty-based selection achieved an improvement of 2.15 %. The Non-REM 1 stage was consistently the most challenging to classify across all approaches. The results demonstrate that the proposed method achieves similar classification performance levels to fully automatic systems. However, it offers an indisputable advantage in terms of increased interpretability and interactivity. Additionally, compared to manual approach, it significantly reduces the time required for annotation. The proposed semi-automatic classification method using active learning presents a faster and more practical alternative to traditional manual evaluation of sleep recordings. Expert involvement in the classification process increases the credibility and improves the generalizability of achieved results.