Klasifikace parasomních epizod z 3-osých aktigrafických záznamů

Abstract

Poruchy spánku jsou utrpením mnoha lidí, přestože je spánek jedním z nejdůležitějších faktorů pro udržení dobrého zdraví. NREM parasomnie je porucha, jejíž diagnostika je typicky založena na polysomnografii, což je velmi komplexní a drahá metoda. Parasomnie se navíc nemusí během vyšetření projevit. Alternativní metodou pro vyhodnocení a klasifikaci parasomnie může být 3D aktigrafie, která by přinesla finančně přístupnější možnosti a také možnost dlouhodobého nahrávání. V této práci byly explorační analýzou identifikovány příznaky z aktigrafických a polysomnografických dat a následně klasifikovány pomocí různých modelů. Data byla statisticky porovnána s expertními anotacemi parasomní a fyziologické aktivity. Anotace znázorňovaly čas počátku aktivity, kdy nejdříve byly k dispozici s přesností na minutu a později doplněny kvůli přesnosti na vteřinu. V první části práce byly zpracovány aktigrafické záznamy s využitím minutových anotací. Na vytvořených příznacích byla data klasifikována pomocí SVM ( Support vector machine) modelu. Přesnost těchto dat se pohybovala okolo 67 % se směrodatnou odchylkou 6 %. Senzitivita tohoto modelu se však pohybovala jen okolo 10 % se směrodatnou odchylkou 16 %. Proto byly následně doplněny anotace s přesností na vteřinu a do analýzy byly zahrnuty i vybrané polysomnografické signály (EMG, EKG). Příznaky byly vypočítány po dvouvteřinových oknech. Analýza příznaků v čase prokázala, že nejužitečnější informaci o rozlišení fyziologické a parasomní aktivity obsahuje prvních několik vteřin od počátku aktivity. Klasifikací pomocí Random forest modelu bylo zjištěno, že nejvyšší schopnost rozlišení nese biologický signál EMG a těsně pod ním aktigrafický signál. Celková přesnost klasifikace modelu byla 83 % a se senzitivitou 50 %. Kromě klasifikace událostí získaných z anotací byla implementována detekce v celonočním záznamu. Byly vypočteny příznaky stejné jako při zpracování vteřinových anotacích a klasifikovány na stejném modelu (RF). Celková senzitivita se průměrně pohybovala okolo 42 % (směrodatná odchylka 46 %) a pozitivní predikce 5 % (směrodatná odchylka 6 %). Pro další studie byl vytvořen datový set z aktigrafických a polysomnografických dat obsahující události okolo anotací.

Sleep disorderes represent a burden for many people, although sleep is one of the most important factors for a good health. NREM parasomnia is a disorder that is very complex and expensive to diagnose and may not exhibit at all during the diagnostic polysomnography. An alternative method for the evaluation and classification of parasomnia can be 3D actigraphy, which could bring more financially accessible possibilities, as well as the possibility of long-term recording. In this work, the characteristics of actigraphic and polysomnographic data were identified by exploratory analysis and subsequently classified using various models. The data were statistically evaluated with annotations of parasomnnic and physiological activity. The annotations showed the start time of the activity, when they were first available with an a one minute accuracy and later supplemented for an accuracy to one second. In the first part of the work, actigraphic records were processed using minute annotations. Using a set of actigraphy-based features, the data were classified using the SVM (Support vector machine) model. The accuracy of this method was around 67 % with a standard deviation 6 %. However, the sensitivity of this model was around 10 % with a standard deviation 16 %. Therefore, annotation with a precision of one seconds were subsequently added and selected polysomnographic signals (EMG and ECG) were included in the analysis. Features were calculated after two-second windows. Analysing the features over time apparented that the most useful information on the distinction between physiological and parasomnic activity contained the first few seconds from the onset of activity. By classification using the Random forest model, it was found that the highest resolution is carried by biological signal EMG and just below it by the actigraphic signal. The overall accuracy of the model classification was 83 % and the sensitivity 50 %. In addition to the classification of events obtained from annotations, parasomnia detection was implemented in the overnight record. The same features as in the processing of the seconds annotations were calculated and classified on the same model (RF). The overall sensitiviy was on average around 42 % (standard deviation 46 %) and the positive predictive value 5 % (standart deviation 6 %). For further studies, a data set was created from actigraphic and polysomnographic records containing events around annotations.