Un nouveau système accélère le diagnostic des troubles du sommeil

Beaucoup de troubles du sommeil font que les gens bougent pendant leur sommeil. Deux des troubles les plus courants sont le syndrome de comportement en sommeil paradoxal (SBSP) et le syndrome des mouvements périodiques des membres (SMPL). Diagnostiquer ces troubles peut prendre du temps et nécessite que les médecins analysent attentivement les enregistrements de sommeil. Ils analysent les signaux des muscles pour repérer des mouvements anormaux. Ces mouvements peuvent varier énormément, allant de petites contractions musculaires à de grands mouvements violents.

Pour rendre le processus de diagnostic de ces troubles plus rapide et plus simple, des chercheurs travaillent sur un système qui utilise la technologie pour détecter automatiquement les mouvements des membres pendant que quelqu'un dort. Ce système utilise des données de deux capteurs placés sur les jambes gauche et droite. Les chercheurs utilisent une méthode appelée Modèle de mélange de processus de Dirichlet pour traiter les données de ces capteurs.

Dans ce système, les chercheurs prennent de courts segments de 10 secondes de données et les classifient comme « mouvement des jambes » ou « pas de mouvement des jambes » en se basant sur les notes des médecins du sommeil. Ils peuvent ensuite estimer avec précision les caractéristiques de ces mouvements en utilisant un modèle statistique. L'étude a utilisé des données de 36 personnes diagnostiquées avec SBSP. Pour tester l'efficacité de ce système, les chercheurs ont utilisé une méthode de validation croisée à 10 volets, ce qui signifie qu'ils ont divisé les données en parties et testé le modèle sur chaque partie. Les résultats ont montré que cette méthode était plus efficace qu'un modèle de forêt aléatoire, atteignant des taux de précision élevés de 94 % pour l'identification des mouvements des jambes.

#Importance de la recherche sur le sommeil

La recherche en cours souligne à quel point le sommeil est important pour la santé mentale et physique. On comprend de mieux en mieux que de nombreux troubles du sommeil peuvent prédire l'apparition de maladies neurologiques. Par exemple, le SBSP pourrait indiquer un risque de maladie de Parkinson, qui touche des millions de personnes dans le monde. Savoir cela permet une intervention précoce et une prévention potentielle de ces problèmes de santé graves.

La maladie de Parkinson est la deuxième maladie neurodégénérative la plus fréquente au monde, affectant plus de quatre millions de personnes. Cette maladie peut avoir un impact drastique sur la qualité de vie et entraîner des coûts de santé élevés en raison de la nature chronique de la maladie. Il est donc crucial de trouver des moyens de mieux comprendre ces troubles et de développer des mesures préventives. Le SBSP peut servir de signal d'alarme pour beaucoup de gens qui pourraient développer la maladie de Parkinson.

#Activité musculaire et troubles du sommeil

Le SBSP se caractérise par une activité musculaire inhabituelle pendant le sommeil, incluant à la fois des mouvements complexes et simples des membres. Dans les études sur le sommeil, les chercheurs utilisent des capteurs d'Électromyographie (EMG) pour surveiller ces mouvements. Malheureusement, les médecins doivent analyser manuellement les données EMG, car il n'existe pas de définition précise de ce qui constitue un mouvement anormal. C'est aussi vrai pour le diagnostic du syndrome des jambes sans repos (SJSR) et du SMPL. Le SJSR est l'un des troubles du sommeil les plus fréquemment rapportés aux États-Unis et est lié à d'autres problèmes de santé comme les maladies cardiaques.

L'Académie américaine de médecine du sommeil (AASM) décrit le SJSR comme un besoin pressant de bouger les jambes qui s'aggrave souvent au repos mais s'améliore avec le mouvement, se produisant principalement la nuit. Le SMPL, quant à lui, implique des mouvements réguliers des membres pendant le sommeil mais est moins courant que le SJSR.

Avec de plus en plus de personnes souffrant de troubles du sommeil, la pression augmente sur les cliniques du sommeil pour fournir des diagnostics rapides et précis. Cependant, les méthodes actuelles sont souvent très chronophages, rendant difficile pour les cliniques de suivre la demande d'une meilleure compréhension du sommeil et de ses liens avec les préoccupations de santé physique.

#Aperçu des travaux connexes

De nombreuses études ont examiné le développement de techniques automatisées pour identifier divers troubles du sommeil et leurs caractéristiques. Certaines de ces méthodes se concentrent sur la détection de mouvements anormaux durant le sommeil en utilisant des signaux EMG. Par exemple, l'AASM indique qu'au moins un capteur EMG doit être placé sur le menton pour diagnostiquer des problèmes de sommeil comme le bruxisme (grincement des dents). Certaines études ont même créé des dispositifs portables qui peuvent aider à détecter les épisodes de bruxisme.

Cependant, ces systèmes reposent principalement sur des mesures simples et peuvent ne pas suffire à la complexité observée dans le SMPL et le SBSP. Les chercheurs croient que des approches plus avancées, comme des modèles non paramétriques qui peuvent travailler avec plusieurs capteurs, seront plus efficaces. D'autres études ont appliqué avec succès ces techniques pour détecter les mouvements des membres chez des individus atteints de SBSP et de SMPL.

Une étude notable a utilisé un modèle probabiliste pour différencier les mouvements des jambes des données EMG au repos. Ce modèle a aidé à détecter les participants diagnostiqués avec le SMPL. Une autre étude a évalué la détection des mouvements en utilisant plusieurs capteurs EMG pendant le sommeil et a démontré la capacité à classer correctement les participants entre les individus en bonne santé et ceux souffrant de troubles du sommeil.

#Formulation du problème

Une étude précédente a montré qu'un modèle de mélange de processus de Dirichlet pouvait automatiser efficacement la détection des segments d'apnée du sommeil. Inspirés par ces résultats, les chercheurs ont appliqué une approche similaire pour détecter les mouvements pendant le sommeil. L'avantage de cette méthode réside dans sa capacité à apprendre à partir des données et à former des clusters basés sur les motifs de mouvement.

En termes simples, cela signifie que le système peut identifier différents types de mouvements basés sur les caractéristiques extraites des données EMG. En modélisant ces caractéristiques à l'aide de mélanges gaussiens, les chercheurs pouvaient estimer la probabilité que des segments de mouvement spécifiques soient classés comme « mouvement des jambes » ou « pas de mouvement des jambes ».

#Collecte de données

Les données pour cette étude proviennent d'un hôpital qui conserve des enregistrements pour les individus soupçonnés d'avoir le SBSP. Les chercheurs ont réussi à obtenir des dossiers anonymisés de ces patients. Chaque enregistrement contenait des informations détaillées, y compris l'âge, le sexe, le diagnostic et tout traitement qu'ils avaient reçu.

Chaque nuit d'enregistrement a capturé l'EMG d'un muscle spécifique au menton tout en notant les phases de sommeil pour chaque segment de 30 secondes. Les phases de sommeil ont été converties pour s'aligner avec les classifications de l'AASM qui incluent les phases de veille, de REM, N1, N2 et N3. Avec ces enregistrements se trouvaient des notes liées à d'éventuels mouvements des membres, bien que ces notes varient et soient parfois peu claires.

#Traitement et analyse

Pour préparer les signaux EMG pour l'analyse, les données ont été rééchantillonnées et filtrées pour se concentrer sur la plage de fréquence typique de l'activité EMG. Les chercheurs cherchaient à repérer les mouvements se produisant autour de timestamps spécifiques basés sur les notes cliniques, mais étaient limités par le manque de détails précis sur la durée des mouvements.

Grâce à un examen attentif de ces annotations, les chercheurs ont découvert que la plupart de l'activité musculaire autour des mouvements des jambes se produisait quelques secondes avant et après le mouvement enregistré. Cette compréhension leur a permis d'extraire des caractéristiques significatives des données EMG.

#Extraction de caractéristiques

Les chercheurs ont identifié diverses caractéristiques pour aider à distinguer entre les mouvements des jambes et l'absence de mouvements. Des caractéristiques couramment utilisées comme l'amplitude maximale, l'amplitude moyenne et l'énergie ont été calculées. Ils ont également examiné la puissance dans des plages de fréquence spécifiques des signaux EMG.

Ces caractéristiques extraites ont fourni un ensemble de données riche que les chercheurs pouvaient utiliser pour entraîner leur modèle de détection de mouvement. Ils ont sélectionné les caractéristiques les plus pertinentes grâce à une méthode conçue pour trouver l'ensemble optimal pour une classification efficace.

#Détection de mouvements

En utilisant le modèle de mélange de processus de Dirichlet, les chercheurs ont construit un système pour classer de courts segments de données EMG. Cette méthode permet au modèle de reconnaître la différence entre les segments indiquant un mouvement des jambes et ceux montrant l'absence de mouvement.

Lors des tests, le modèle a montré un degré de précision élevé, bien qu'il ait rencontré des défis en termes de sensibilité. Souvent, le système excellait à identifier des cas clairs de mouvements des jambes mais avait du mal avec des mouvements plus subtils. Les chercheurs pensent que la variabilité dans l'activité musculaire a contribué à certaines classifications erronées.

#Conclusion et travaux futurs

Le développement de ce système de détection automatisée montre un réel potentiel pour améliorer le diagnostic des troubles du mouvement liés au sommeil. Avec des résultats solides dans l'identification des mouvements des jambes chez des patients atteints de SBSP, cette approche pourrait être étendue pour inclure d'autres membres et différents troubles du sommeil.

Les recherches futures impliqueront de tester le modèle davantage avec une plus grande variété d'ensembles de données, y compris des données provenant d'individus en bonne santé et ceux ayant d'autres troubles du sommeil. De plus, les chercheurs souhaitent explorer des moyens d'intégrer des technologies de capteurs sans contact ou des données vidéo pour améliorer les capacités de détection des mouvements. La mise en œuvre d'une classification automatique des phases de sommeil sera également cruciale pour alléger la charge de travail des techniciens du sommeil et améliorer les outils de diagnostic pour les troubles du sommeil.