Améliorer la classification des étapes de sommeil avec SSNet

Le sommeil est super important dans la vie, ça nous aide à rester en bonne santé et à nous sentir bien. Quand quelqu'un se sent fatigué après une bonne nuit de sommeil ou crevé pendant la journée, ça peut vouloir dire qu'il a un trouble du sommeil. Parmi les problèmes de sommeil les plus courants, on trouve la respiration désordonnée pendant le sommeil, des mouvements périodiques des jambes et l'insomnie. Environ 30% des adultes aux États-Unis ont des problèmes d'insomnie. En plus, plus de 50 millions de personnes dans le pays souffrent de troubles du sommeil, avec environ 25 millions diagnostiquées avec des problèmes respiratoires pendant le sommeil. Un diagnostic précoce de ces troubles peut aider à éviter des problèmes de santé graves comme des problèmes cardiaques, des soucis cognitifs, le diabète, des AVC et des attaques cardiaques répétées.

#Stades du Sommeil

Le sommeil est divisé en cinq stades selon les directives de l'American Academy of Sleep Medicine. Ces stades comprennent l'éveil (W), trois stades de Non-Rapid Eye Movement (NREM) (N1, N2, et N3), et le sommeil Rapid Eye Movement (REM). En général, on passe de W à NREM, puis à REM. Chaque stade a des patterns d'activité cérébrale différents enregistrés par des capteurs sur le corps.

Les principales activités cérébrales pendant ces stades sont les ondes alpha, theta et delta. Le stade W montre une activité alpha, N1 est un sommeil léger avec un faible alpha et un peu de theta, N2 présente des fuseaux de sommeil uniques, N3 est un sommeil profond marqué par des ondes delta, et REM est caractérisé par des ondes theta rapides et de faible amplitude.

#Vue d'ensemble des Signaux Cérébraux

Pour étudier le sommeil, on utilise souvent la polysomnographie (PSG) dans les laboratoires du sommeil. Ce dispositif recueille divers signaux comme l'Électromyogramme (EMG), l'électrocardiogramme (ECG), l'Électroencéphalogramme (EEG), et l'électrooculogramme (EOG). Les spécialistes du sommeil analysent généralement ces signaux manuellement pour classer les stades de sommeil. Mais cette méthode manuelle a ses inconvénients, comme le fait d'être chronophage, sujette à des erreurs humaines et inconfortable pour les patients. Du coup, automatiser la classification des stades de sommeil pourrait vraiment améliorer le diagnostic en milieu médical.

#Rôle de la Technologie dans l’Analyse du Sommeil

Les avancées récentes en technologie ont permis de développer des modèles d'apprentissage automatique conçus pour évaluer des signaux biomédicaux comme l'EEG, l'EOG et l'EMG. Par exemple, des modèles ont été créés pour détecter des conditions comme la maladie de Parkinson, suivre les mouvements oculaires, et identifier des problèmes de rythme cardiaque. Certaines études ont aussi essayé de classifier les stades de sommeil en utilisant l'apprentissage automatique.

Beaucoup de ces études se sont concentrées sur l'analyse des signaux EEG pour classer les stades de sommeil en trois catégories principales (W, NREM, REM) ou cinq (W, N1, N2, N3, REM). Différentes méthodes ont été examinées, incluant la décomposition en mode empirique couplée à des classificateurs de boosting par sous-échantillonnage aléatoire, qui ont obtenu des niveaux d'exactitude acceptables. D'autres méthodes comprenaient l'utilisation de filtres en ondelettes, l'extraction de caractéristiques statistiques, et des machines à vecteurs de support.

#Apprentissage Profond pour la Classification des Stades de Sommeil

Ces dernières années, les techniques d'apprentissage profond, surtout celles utilisant des Réseaux de Neurones Convolutionnels (CNN), ont gagné en popularité pour classifier les stades de sommeil. Les CNN sont efficaces pour diverses tâches, incluant la classification et la reconnaissance d'images. Des chercheurs ont proposé différents modèles de CNN pour classifier les stades de sommeil en fonction de segments de signaux EEG et EOG.

Par exemple, un modèle CNN a été développé pour extraire des caractéristiques sans utiliser de méthodes d'ingénierie des caractéristiques supplémentaires. Ce modèle a obtenu de bons taux d'exactitude pour classifier différents stades de sommeil. D'autres modèles ont combiné des CNN avec des mécanismes d'attention ou d'autres méthodes de filtrage, rapportant des niveaux de performance variés.

#Limitations des Études Existantes

Malgré les avancées, les études existantes ont leurs limites. Beaucoup s'appuient sur des méthodes d'extraction de caractéristiques complexes, ce qui peut être long et difficile. De plus, la plupart de ces modèles utilisent généralement seulement un canal de signaux EEG, tandis que d'autres signaux importants comme l'EMG et l'EOG, qui fournissent un contexte précieux sur l'activité musculaire et les mouvements oculaires, sont souvent négligés.

#Présentation du Nouveau Modèle : SleepStageNet (SSNet)

Cette étude présente un modèle d'apprentissage profond automatique appelé SleepStageNet (SSNet) destiné à classifier les stades de sommeil de manière plus efficace. SSNet utilise une combinaison de signaux provenant de l'EEG, de l'EMG et de l'EOG. Le modèle se compose de deux principaux réseaux d'apprentissage profond : un CNN pour extraire des caractéristiques invariantes dans le temps et un réseau LSTM pour capturer des caractéristiques temporelles à partir de la séquence de signaux.

La combinaison de ces signaux permet une compréhension plus riche des stades de sommeil que si on n'utilisait que l'EEG. Les processus impliquent d'extraire des caractéristiques à travers les deux réseaux puis de les combiner pour classifier les stades de sommeil.

#Préparation des Données

#Ensembles de Données Utilisés

Pour cette étude, deux ensembles de données disponibles au public ont été utilisés : l'ensemble de données ISRUC-Sleep et l'ensemble de données Sleep-EDF Expanded. Chaque ensemble comprend plusieurs heures d'enregistrements PSG segmentés en intervalles de 30 secondes et étiquetés selon des classifications de stades de sommeil établies.

#Ensemble de Données ISRUC-Sleep

L'ensemble de données ISRUC-Sleep comprend 116 enregistrements avec des données collectées à partir de divers canaux, y compris des signaux EEG, EOG, EMG et ECG. Chaque enregistrement dure environ huit heures, et des experts du sommeil ont étiqueté chaque segment de 30 secondes avec l'un des cinq stades de sommeil.

Cet ensemble est également divisé en groupes selon l'état de santé : des individus avec des troubles du sommeil, ceux en traitement, et des sujets en bonne santé.

#Ensemble de Données Sleep-EDF Expanded

L'ensemble de données Sleep-EDF Expanded se compose de 197 enregistrements et comprend deux canaux EEG, un canal EOG, et un canal EMG au menton. Les segments sont aussi étiquetés par des experts du sommeil, et l'ensemble est divisé en enregistrements réalisés dans différentes conditions.

#Sélection des Données

Dans l'étude, des segments des deux ensembles de données ont été sélectionnés pour éviter le sur-apprentissage et maintenir l'équilibre entre les étiquettes de classe pendant la classification. Des segments sélectionnés aléatoirement ont été utilisés pour l'entraînement, la validation et le test du modèle. Les données brutes des signaux ont été normalisées pour assurer la cohérence.

#Architecture de SSNet

L'architecture de base de SSNet implique deux réseaux d'apprentissage profond. Le premier réseau utilise un modèle CNN qui extrait des caractéristiques stables des signaux bruts. Le second réseau utilise LSTM pour recueillir des caractéristiques au fil du temps à partir des séquences de signaux.

Le CNN se concentre sur la détection des motifs dans les données, tandis que le LSTM prend en compte le contexte des signaux précédents pour aider à la classification. Après que les deux réseaux aient extrait leurs caractéristiques respectives, celles-ci sont combinées et passées par une couche entièrement connectée pour la classification finale.

#Réseau CNN

La première partie de SSNet implique plusieurs couches de 1D-CNN. Ces couches utilisent de petits filtres pour se concentrer sur des motifs spécifiques dans les signaux. Chaque couche CNN est accompagnée de couches de max-pooling pour réduire le nombre de caractéristiques, et d'une couche de dropout pour minimiser le sur-apprentissage. La sortie de ce réseau produit un nombre défini de caractéristiques, qui sera combiné avec les caractéristiques du second réseau.

#Réseau LSTM

La seconde partie de SSNet comprend des couches LSTM qui aident à capturer des dépendances à long terme à partir des séquences de signaux de stades de sommeil. Le réseau LSTM a des composants spécifiques qui travaillent ensemble pour retenir des informations importantes au fil du temps. Cette capacité permet au modèle de faire des classifications plus éclairées basées sur les motifs détectés dans les segments précédents.

#Évaluation de la Performance du Modèle

Pour évaluer la performance de SSNet, plusieurs métriques ont été utilisées, y compris l'exactitude, la sensibilité, la spécificité, et le coefficient Kappa. Ces métriques aident à déterminer comment le modèle fonctionne dans diverses tâches, en particulier lorsqu'il s'agit de jeux de données déséquilibrés qui peuvent compliquer les résultats.

#Résultats

Le SSNet proposé a été testé en utilisant à la fois l'ensemble de données ISRUC-Sleep et l'ensemble de données Sleep-EDF Expanded. Les résultats montrent l'efficacité du modèle à classifier trois et cinq stades de sommeil.

#Classification de Trois Stades de Sommeil

Lors de la classification de trois stades de sommeil (W, NREM, et REM) en utilisant l'ensemble de données ISRUC-Sleep, le modèle a obtenu des résultats d'exactitude et de Kappa élevés. L'exactitude atteinte était impressionnante, indiquant que le modèle a mieux fonctionné que de nombreuses méthodes précédentes.

L'ensemble de données Sleep-EDF a également donné de bons résultats, confirmant la robustesse de SSNet. La combinaison des signaux EEG, EMG et EOG a grandement contribué à obtenir ces métriques de performance élevées.

#Classification de Cinq Stades de Sommeil

Lors de la classification de cinq stades de sommeil (W, N1, N2, N3, et REM), le modèle a maintenu sa bonne performance. L'exactitude pour cette classification était aussi notablement élevée dans les deux ensembles de données, montrant la capacité de SSNet à gérer des tâches de classification plus complexes avec succès.

#Comparaison avec des Modèles Existants

La performance de SSNet a été comparée à plusieurs modèles de pointe. Dans les classifications de trois et cinq stades de sommeil, SSNet a surpassé de nombreux modèles existants, atteignant des scores d'exactitude et de Kappa plus élevés. Cette performance réussie met en avant les avantages d'utiliser une combinaison de signaux et les méthodes d'apprentissage profond mises en œuvre dans SSNet.

#Importance de la Détection de REM

Détecter le stade REM est crucial pour diagnostiquer les troubles du sommeil. La performance du modèle dans la reconnaissance de ce stade a également été évaluée, montrant des taux de précision et de rappel prometteurs plus élevés que ceux rapportés par d'autres études. Cette capacité suggère que la combinaison de signaux est particulièrement efficace pour identifier avec précision le sommeil REM.

#Conclusion

Cette étude présente SleepStageNet (SSNet), un modèle d'apprentissage profond conçu pour classifier les stades de sommeil en utilisant une combinaison de signaux EEG, EMG et EOG. L'architecture composée de réseaux CNN et LSTM capture efficacement à la fois les caractéristiques invariantes dans le temps et les caractéristiques temporelles, menant à de bonnes performances dans la classification des stades de sommeil.

SSNet offre plusieurs avantages par rapport aux méthodes traditionnelles, y compris le processus automatisé qui enlève le fardeau de l'analyse manuelle et réduit la probabilité d'erreurs. Avec de solides métriques de performance, le modèle montre son potentiel d'application pour diagnostiquer les troubles du sommeil dans des contextes cliniques.

Les recherches futures peuvent explorer la possibilité de perfectionner encore le modèle et de s'attaquer au défi spécifique de la classification précise du stade de sommeil N1. Dans l'ensemble, SSNet représente un pas en avant significatif dans la classification des stades de sommeil et souligne la valeur de la technologie avancée dans le secteur de la santé.