Original title:
Analýza spánkové dynamiky pomocí elektrofyziologických příznaků
Translated title:
Sleep dynamics analysis using electrophysiological features
Authors:
Lampert, Frederik ; Janoušek, Oto (referee) ; Mívalt, Filip (advisor) Document type: Master’s theses
Year:
2023
Language:
eng Publisher:
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií Abstract:
[eng][cze]
Táto práca sa zaoberá metódami detekcie spánku pomocou elektrofiziologických príznakov, bez dostupnosti anotácií v podobe hypnogramov. Vyhodnocovanie spánku pomocou polysomnografických (PSG) dát je časovo apersonálne náročný proces, ktorý sa odohráva zväčša vnemocničnom prostredí. Moderné implantabilné zariadenia schopné kontinuálneho snímania azdieľania dát otvárajú možnosť dlhodobého akontinuálneho monitorovania spánkovej aktivity upacientov snurologickými chorobami v domácom prostredí. Súčasné metódy na spánkovú detekciu využívajú intrakraniálne elektroencefalografické (iEEG) spánkové klasifikátory, ktoré sú tvorené a validované na štandardných polysomnografických dátach. Tie však nie sú vždy kdispozícii čo vedie kpotrebe vyvinutia metódy spánkového hodnotenia, ktorá by bola schopná analyzovať spánok pomocou elektrofyziologických príznakov aj bez dostupnosti anotácií v podobe hypnogramov ato obecne z malého počtu zvodov. Za týmto účelom bola navrhnutá metóda spánkového hodnotenia, ktorá vyhodnocuje spánok na základe výkonu elektroencefalografické (EEG) signálu v spektrálnej oblasti pomocou metrík zvaných Power in Band (PIB) metriky. V tejto práci bol analyzovaný výkon vdelta pásme (0,5-4 Hz), keďže EEG signál má vňom najvyššiu amplitúdu azároveň je jeho aktivita najviac výrazná počas N2 aN3 spánkových cyklov, ktoré sú najviac zastúpené vspánku počas noci, takže poskytujú najlepšiu informáciu orozložení spánku počas noci. Scieľom validácie PIB metrík boli taktiež predstavené štandardné metriky založené na hypnogramoch. Tieto metriky boli následne implementované do programovacieho prostredia Python a aplikované na dva voľne dostupné datasety, Dreem Open Dataset-Healthy (DOD-H) a Dreem Open Dataset-Obstructive (DOD-O) obsahujúce polysomnografické merania 25 zdravých jedincov (DOD-H dataset) a56 jedincov so syndrómom spánkového apnoe (OSA)(DOD-O dataset). Výsledky analýz boli vyhodnotené pomocou vizuálnej analýzy vo forme boxplotov, korelačných matíc a štatistických testov. Z výsledkov analýz vyplýva, že navrhnuté PIB metriky majú schopnosť rozlišovať medzi fyziologickým a patofyziologickým spánkom, avšak ich schopnosť rozlišovať niektoré aspekty spánku sa líši od štandardných metrík založených na hypnogramoch. Ztoho vyplýva, že PIB metriky nenahrádzajú štandardné metriky, ale skôr ponúkajú inú perspektívu na analýzu spánku.
This thesis concerns with sleep assessment methods using electrophysiological features without the availability of annotations in the form of hypnograms. Sleep evaluation using polysomnographic (PSG) data is time-consuming process, that requires trained personnel and is usually done in a hospital environment. Novel implantable neural devices capable of continuous data recording and streaming open up possibilities of longitudinal and continual monitoring of sleep activity in a home environment for patients with neural diseases. Current state-of-the-art methods for longitudinal sleep analysis utilizes automated intracranial electroencephalography (iEEG) sleep classifiers developed and validated using clinical gold-standard PSG annotations. However, PSG is not always feasible to perform which leads to the necessity for a sleep assessment method, which could analyse sleep using electrophysiological features without the availability of goldstandard PSG annotations generally from a small number of electrodes. For this purpose a novel sleep assessment method was developed, which evaluates sleep based on the power of electroencephalographic (EEG) signal in the spectral bands with employment of the metrics called Power in Band (PIB) metrics. In this work power in the delta band (0.5-4 Hz) was used, as it has the highest amplitude among all of the bands and is the most prominent during the non-REM sleep states, therefore giving the most relevant information about the composition of sleep during the night. Moreover, standard hypnogram-based metrics were introduced for the purpose of the PIB metrics validation. These metrics were incorporated into (Python) programming language and applied on two publicly-available datasets Dreem Open Dataset-Healthy (DOD-H) and Dreem Open Dataset-Obstructive (DOD-O) containing polysomnographic recordings of 25 healthy subjects (DOD-H) and 56 subjects suffering from obstructive sleep apnea (OSA) (DODO dataset). The results of the analysis were evaluated by visual analysis in terms of boxplots, correlation matrices and statistical tests. From the results, it is possible to assume, that proposed PIB metrics have the ability to differentiate between physiologic and pathophysiologic sleep, although their ability to discriminate between some aspects differs from the metrics based on the hypnogram annotations. This implies the fact, that PIB metrics do not substitute the standard hypnogram-based metric, but rather provide different perspective on the sleep assessment.
Keywords:
AASM; Elektroencefalografia (EEG); Epilepsia; Polysomnografia (PSG); Spánková analýza; Spánkové poruchy; AASM; Electroencephalography (EEG); Epilepsy; Polysomnography (PSG); Sleep assessment; Sleep disorders
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/210214
guest ::
