Automatická detekce fyziologických událostí ve spánku

Abstract

Spánek je velice důležitá součást našeho života. Existuje však mnoho poruch spánku, které vedou ke spánkové deprivaci. K poruchám spánku patří například spánková apnoe. Tato porucha se vyšetřuje polysomnografem ve spánkové laboratoři. Následnou diagnostiku provádí lékař a je velice časově náročná. Tato práce má za cíl vytvořit automatický detektor fyziologických událostí, který výrazně urychlí diagnostiku spánkových poruch. Detektor vychází z parametrů manuálu pro skórování spánku od Americké akademie spánkové medicíny (AASM). Algoritmus načítá polysomnografická data vygenerovaná programem EASYS2. Signál proudění vzduchu před nosem je filtrován, ohraničen a jsou na něm detekovány apnoe. Dále je provedena detekce periodických pohybů končetin. Tyto detekované události se následně zapisují do originálního souboru. Zkušební data byla poskytnuta Národním ústavem duševního zdraví. Z výsledků vyplývá, že parametry pro detekci apnoe z AASM manuálu mají v praxi svá omezení. Tyto parametry byly upraveny podle výsledků ROC analýzy, při které byla prováděna detekce pro různá nastavení parametrů. Podle této analýzy se pro využití v~praxi snížil práh poklesu amplitudy pro detekci apnoe z 90 % na 30 %. Při takovémto nastavení byla celková průměrná senzitivita 24 % a pozitivní prediktivní hodnota 9 %. Algoritmus je psán ve vysokoúrovňovém programovacím jazyku Python 3.6. Je připraven k implementaci do klinické praxe. Byl vytvořen uživatelský manuál pro jednoduchou manipulaci s algoritmem.

Sleeping is important part of our lives. There are a lot of sleeping disorders leading to sleep deprivation. One of them is sleeping apnea. Sleeping apnea is examined by polysomnograph in sleeping lab. Subsequent diagnosis is executed by doctor and is demanding from time point of view. The goal of this thesis is to create software application speeding up the diagnosis process of sleeping disorders. The software application, detector, uses sleeping scoring parameters published by American Academy of Sleep Medicine (AASM) for apnea detection. The detector algorithm loads polysomnographic data generated by EASYS2 software. Airflow signal in front of nose is filtered, bordered and sleep apneas are detected. Identified events are saved as tags into the original file and are utilized by detector. Data for the thesis was granted by the National Institute of Mental Health. The detector activity outcomes show there are limits for apnea detection with parameters setting according to the AASM manual. Consequently these inputs parameters were modified according to the ROC analysis. The outcomes with modified parameters show, the amplitude threshold for the apnea detection decreases from 90 % to 30 %, the total average sensitivity was 24 % and the positive predictive value was 9 %. The detector algorithm is written in the high-level programming language Python 3.6. It is ready for clinical practice implementation. The detector user manual has been created.