WO2020193116A1 - Verfahren zur klassifizierung einer polysomnographie-aufnahme in definierte schlafstadien - Google Patents

Verfahren zur klassifizierung einer polysomnographie-aufnahme in definierte schlafstadien Download PDF

Info

Publication number
WO2020193116A1
WO2020193116A1 PCT/EP2020/056326 EP2020056326W WO2020193116A1 WO 2020193116 A1 WO2020193116 A1 WO 2020193116A1 EP 2020056326 W EP2020056326 W EP 2020056326W WO 2020193116 A1 WO2020193116 A1 WO 2020193116A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
type
training
sleep
electroencephalography
Prior art date
Application number
PCT/EP2020/056326
Other languages
English (en)
French (fr)
Inventor
Muthuraman MUTHURAMAN
Haralampos GOUVERIS
Philipp Tjarko BOEKSTEGERS
Original Assignee
Universitätsmedizin Der Johannes Gutenberg-Universität Mainz
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Universitätsmedizin Der Johannes Gutenberg-Universität Mainz filed Critical Universitätsmedizin Der Johannes Gutenberg-Universität Mainz
Priority to CA3134205A priority Critical patent/CA3134205A1/en
Priority to US17/440,057 priority patent/US20220183619A1/en
Priority to EP20711544.5A priority patent/EP3946003A1/de
Priority to JP2021556983A priority patent/JP2022526516A/ja
Publication of WO2020193116A1 publication Critical patent/WO2020193116A1/de

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4812—Detecting sleep stages or cycles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/0205—Simultaneously evaluating both cardiovascular conditions and different types of body conditions, e.g. heart and respiratory condition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/087—Measuring breath flow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1114—Tracking parts of the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/372—Analysis of electroencephalograms
    • A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present invention relates to a method for classifying sleep stages on the basis of a polysomnography recording.
  • the present invention relates to a
  • insomnia There are a large number of people who suffer from insomnia. The sleep disorders are sometimes very different and can therefore have a variety of different causes.
  • polysomnography records can provide clues as to the causes of the sleep disturbance.
  • a polysomnography involves a variety of
  • Body function data of a patient recorded during sleep.
  • the heart activity and the breathing intensity and frequency during sleep causes of
  • EEG electroencephalography
  • EKG electrocardiography
  • the polysomnography is carried out in a specially equipped sleep laboratory.
  • the sleep is divided into five different stages, namely the stage N1, the stage N2 and the stage N3 (as part of the non-REM sleep), the REM stage and the waking stage, which corresponds to the epochs or the period during of sleep when the person is awake.
  • the physical activity or the physical function data differ in these stages.
  • the brain waves which are recorded by means of electroencephalography (EEG)
  • EEG electroencephalography
  • both the frequency and the intensity of the brain waves differ.
  • Heart activity, especially heart rate also changes from one sleep stage to another.
  • the stages of sleep run in a more or less regular pattern. In patients with insomnia, this pattern may differ from that of a healthy person.
  • various bodily functions depending on the absolute or percentage sleep stage division during sleep, differ from those of a healthy person.
  • a polysomnography scan usually takes seven to eight hours, as this is how long a person usually sleeps. Since some sleep disorders can only last a few seconds, the data are displayed at very short intervals, i.e. almost continuously, recorded.
  • epochs Specialist around one to two hours, during which sleep is divided into 30-second units, so-called epochs, with each epoch being assigned to a sleep stage. Furthermore, the quality of the classification depends on the experience of the specialist.
  • the object is achieved by a method for classifying a
  • the sleep of a person is divided into different sleep stages, the sleep stages being identifiable on the basis of at least one data type of the first type.
  • a large number of items of information on body functions are then recorded over a predetermined period of time in the form of data, the data comprising at least one data record of the data type of the first type.
  • the recorded data is divided into time-dependent data blocks. This can be done manually, i.e. by a person, or automatically by a computer or the like.
  • a limited number of training data blocks are then manually selected from the data blocks and assigned sleep stages, the training data blocks being selected such that the data contained in the training block can each be clearly assigned to a defined sleep stage. This selection is preferably made by a trained person or a specialist.
  • Each data record of the first type of each training data block is evaluated by means of a data processing method.
  • Training objects are created from the evaluated data of each training data block, each training object comprising the data sets of the first type of training data block evaluated by means of the data processing method and the assignment of the training data block to a sleep stage.
  • the training objects are then transmitted to a support vector machine for creating a classification in the support vector machine. Thereafter, at least some of the data blocks, preferably all data blocks that are not as
  • Training data blocks have been selected, transmitted to the support vector machine, and these data blocks are automatically divided into the known sleep stages based on the data of the data type of the first type of each data block.
  • Training data blocks by means of a data processing method are understood in the context of the invention to include processes such as the processing and / or analysis of data records. With the aid of the method described, it is possible to automatically carry out most of the classification of a polysomnography recording in sleep stages.
  • the classification can thus be carried out much more cost-effectively than before.
  • the data set of the first type has data for the following body functions: brain waves, cardiac activity, air flow of breathing, breathing noises, in particular snoring noises, eye movement patterns, electrical muscle activity in the chin area and on the Lower leg (tibialis anterior muscle).
  • At least one of the following measuring methods or measuring devices is used to determine the data record of the first type: electroencephalography, electrocardiography, microphone, air flow meter.
  • the invention is based on the knowledge that the brain waves generated by the
  • Electroencephalography are measured, allow conclusions to be drawn particularly well about the sleep stage present in a data block.
  • Electroencephalograms are comparatively easy to determine and, due to their symmetrical arrangement on a person's head, also enable the measurement results to be compared with one another. Therefore, according to a preferred embodiment of the method described, the data record of the first type of data is provided
  • electroencephalography in particular C3 / C4 data of an electroencephalography.
  • Sleep stages can be achieved: cross-frequency coupling method, entropy method,
  • Electroencephalogram recorded data result from a superposition of several oscillating signals.
  • the electroencephalogram thus records various
  • the step of evaluating the data record of the first type of each training data block by means of a data processing method thus includes a cross-frequency coupling method that includes a phase-to-amplitude method. With this phase-to-amplitude method, the data of an electroencephalogram can be classified particularly accurately in sleep stages.
  • the recorded data are subdivided into a predefined time interval, the time interval in particular being in the range from 15 seconds to 5 minutes and, in particular with regard to electroencephalographic signals, preferably 30 seconds (so-called. 30-second epoch).
  • the support vector machine has an algorithm which uses a non-linear basic kernel function.
  • the data on the body functions can be recorded in a sleep laboratory, with the data on the body functions preferably being recorded on the second night in the sleep laboratory.
  • the data on the body functions can be recorded in the home environment.
  • a very high match rate or a very high hit rate in the classification of sleep stages according to the method described could be achieved if the data record of the data type of the first type consists of the data from an electroencephalography, in particular from C3 / C4 data from an electroencephalography, and if the Evaluation of the Data set of the first type of each training data block using a
  • Cross-frequency coupling method is carried out with a phase-to-amplitude method.
  • Classification of sleep stages can be achieved.
  • the data record of the data type of the first type consists of at least one of the following data types: data from an electroencephalography, in particular from C3 / C4 data from an electroencephalography, respiratory flow, snoring noises and the evaluation of the data record of the first type of each training data block using an entropy process takes place.
  • the data record of the data type of the first type consists of the data from an electrocardiography and the data processing method comprises a method for establishing the heart rate variability.
  • FIG. 1 shows a schematic representation of the sequence of a method for classifying a polysomnography recording into defined sleep stages on the basis of
  • Fig. 2 shows an overview of the usable data of the first type and corresponding
  • FIG. 3 shows a schematic representation of the sequence of a method for classifying a polysomnography recording into defined sleep stages on the basis of
  • FIG. 4 shows a schematic illustration of the sequence of a method for classifying a polysomnography recording into defined sleep stages on the basis of
  • Electroencephalography (EEG) data associated with an entropy procedure 5 shows a schematic representation of the sequence of a method for classifying a
  • FIG. 1 shows a schematic representation of the sequence of a method for classifying a polysomnography recording into defined sleep stages on the basis of electroencephalography (EEG) data in connection with a coupling frequency method.
  • EEG electroencephalography
  • the first step is to divide a person's sleep into different sleep stages.
  • sleep is divided into the five known stages, namely stage N1, stage N2, stage N3, REM stage and waking stage.
  • Each of these known stages can be identified using at least one data type of the first type.
  • a large amount of information about body functions about the duration of sleep of a person is recorded in the form of a known polysomnography recording in a sleep laboratory.
  • a polysomnography scan usually takes seven to eight hours.
  • the recorded data is divided into time-dependent data blocks with a duration of 30 seconds. This can be done manually, i.e. by a person, or automatically by a computer or the like.
  • a trained person or a specialist selects a limited number of training data blocks from the data blocks and assigns these selected training data blocks each to a sleep stage, the person or the specialist selecting the training data blocks in such a way that the data contained in the training block are each clearly assigned to a defined sleep stage can be.
  • the person or professional selects the same number of training data blocks for each sleep stage. It has been shown that the selection of four training data blocks per sleep stage is sufficient. It understands However, that in the context of the described method also more or less
  • Training data blocks can be selected.
  • the polysomnography recording and thus the data blocks contain, among other things, the brain waves recorded by means of electroencephalography.
  • the brain waves were recorded in different parts of the brain.
  • the data that were acquired at positions C3 and C4 on the head of a patient by means of electroencephalography are used (see FIG. 1 in FIG. 1).
  • Positions C3, C4 are the positions that are usually referred to as C3, C4 in electroencephalography.
  • the data of each training data block obtained at the C3 / C4 positions of an electroencephalography are evaluated by means of a data processing method.
  • each sleep stage is characterized by the presence or the intensity or amplitude of different known frequency groups.
  • the data that the electroencephalogram shows at one position in the brain are thus a superposition of various signals that the brain sends out in the form of brain waves.
  • a simple frequency analysis of the recorded data for example in the form of an (almost) Fourier transformation, does not provide any frequency sequences that can be clearly assigned to a sleep stage due to the superimposed signals.
  • the data obtained at the C3 / C4 positions of the electroencephalography are processed by means of a cross-frequency coupling method (see Fig. 2 in Fig. 1). It has surprisingly been found here that a cross-frequency coupling method with a phase-to-amplitude method is particularly suitable for converting the data of a
  • phase-to-amplitude method the dependency between the amplitude of a higher-frequency signal and the phase of a low-frequency signal is shown.
  • the characteristic course of the frequency groups processed by means of the phase-to-amplitude method can be clearly assigned to a sleep stage.
  • the data of a data block obtained with the aid of the cross-frequency coupling method, in particular with the aid of the phase-to-amplitude method, are compared with that of a
  • a person skilled in the art correlates a certain sleep stage and thus forms a training object.
  • the training objects obtained from the selected data blocks are transmitted to a support vector machine to create a classification in the support vector machine (see Fig. 3 in Fig. 1).
  • An algorithm contained in the Support Vector Machine marks each data element as a point in an n-dimensional space, where n represents the number of features.
  • the algorithm must calculate the best mean value from these between different separating straight lines in order to determine the best common separating plane for all points, i.e. in this case a line with the maximum possible distance to all data points.
  • the classification is carried out by determining the so-called optimal hyperplane.
  • the algorithm looks for the hyperplane on which the data points are located with the smallest distance to the optimal hyperplane, the so-called support vectors. This distance is called margin.
  • the optimal separating hyperplane now maximizes the margin in order to obtain clearly separated classification groups.
  • the Support Vector Machine thus divides the training data blocks into the specified sleep stages.
  • the remaining part of the data blocks that were not selected as training data blocks are then transmitted to the support vector machine and these data blocks are automatically divided into the known sleep stages based on the C3 / C4 data
  • a particularly precise classification of the data blocks not selected as training data blocks is achieved in that a non-linear basic kernel function is used in the algorithm of the support vector machine.
  • FIG. 2 shows an overview of the data of the first type which can be used in the context of the present method and which are suitable for performing a classification, and corresponding data processing methods for evaluating the data of the first type.
  • the data on the respiratory flow, the snoring and the data from an electrocardiography are also suitable as data of the first type for carrying out the method described if suitable data processing methods are used.
  • the data of the first type can also be evaluated by means of a power spectral analysis or an entropy method.
  • the frequency-related power of a signal is specified in a frequency band.
  • the power spectral analysis is suitable for example for data from an electroencephalography (see Fig. 3).
  • the multi-tap process is particularly suitable for this.
  • Frequency domain such a time-frequency representation.
  • the entropy method is a non-linear dynamic analysis.
  • the main principle of the entropy method is the quantification of information about a signal as well as the probability of the occurrence of certain patterns within a finite number of patterns and within a time series of the signal. The more information that is conveyed within a signal, the higher the entropy of the signal.
  • the sample entropy method which is a modification of the approximate entropy method, is particularly suitable for sleep stages.
  • the approximate entropy method depends on the data record length. To avoid the results being dependent on the data record length, a Entropy method used, in which self-matching sequences are not counted and which works regardless of the data record length.
  • This entropy method is the aforementioned sample entropy method, which is a modification of the approximate entropy method.
  • the sample entropy method also has the advantage that it can be carried out more quickly.
  • the sample entropy method can, as shown in FIG. 4, particularly advantageously in
  • a data processing method that determines the heart rate variability from the recorded data is also suitable (see FIG. 5).
  • the distance between two heartbeats is usually defined as the time between the start of two contractions of the heart chambers. This beginning of the ventricular contraction is shown in the electrocardiogram as an R-wave, the distance between two R-waves being called the RR interval.
  • the RR intervals are not of the same length, but are subject to fluctuations. The quantification of these fluctuations is known as heart rate variability (HRV).
  • HRV heart rate variability
  • the data blocks not selected as training data blocks can be classified into sleep stages using the support vector machine based on the heart rate variability.
  • Hit rate achieved Except for the procedure in which the snoring noises were used as data of the first type, the hit rates were generally over 50%, sometimes well over 50%.
  • the heart rate variability is also suitable for the classification of sleep stages using the method described. Here, too, the hit rates are over 50%.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Cardiology (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Pulmonology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Klassifizierung einer Polysomnographie-Aufnahme in definierte Schlafstadien, wobei das Verfahren im Wesentlichen folgende Schritte umfasst: · Einteilung des Schlafs eines Menschen in verschiedene identifizierbare Schlafstadien, · Erfassung einer Vielzahl von Informationen zu Körperfunktionen über einen vorgegebenen Zeitraum in Form von Daten, wobei die Daten wenigstens einen Datensatz eines Datentyps erster Art umfassen, mittels dessen die Schlafstadien identifizierbar sind; · Unterteilung der erfassten Daten in zeitabhängige Datenblöcke; · manuelles Auswählen einer begrenzten Anzahl von Trainingsdatenblöcken aus den Datenblöcken und Zuordnen zu einem Schlafstadium, · Auswertung des Datensatzes erster Art eines jeden Trainingsdatenblocks mittels eines Datenaufbereitungsverfahrens; · Erstellung von Trainingsobjekten, wobei jedes Trainingsobjekt die ausgewerteten Datensätze erster Art eines Trainingsdatenblocks und die Zuordnung des Trainingsdatenblocks zu einem Schlafstadium umfasst; · Übermittlung der Trainingsobjekte an eine Support Vector Machine zur Erstellung einer Klassifizierung; · Übermittlung wenigstens eines Teils der Datenblöcke, die nicht als Trainingsdatenblöcke ausgewählt wurden, an die Support Vector Machine.

Description

"Verfahren zur Klassifizierung einer Polysomnographie-Aufnahme in definierte Schlafstadien" Beschreibung:
Technisches Gebiet:
Die vorliegende Erfindung betrifft ein Verfahren zur Klassifizierung von Schlafstadien auf Basis einer Polysomnographie-Aufnahme. Insbesondere betrifft die vorliegende Erfindung ein
Verfahren zur Klassifizierung oder Einteilung einer kardiorespiratorischen Polysomnographie- Aufnahme in definierte Schlafstadien.
Stand der Technik:
Es gibt eine große Anzahl von Personen, die unter Schlafstörungen leiden. Die Schlafstörungen sind zum Teil sehr unterschiedlicher Art und können daher eine Vielzahl verschiedener Ursachen haben.
Es ist bekannt, dass Polysomnographie-Aufzeichnungen Hinweise auf die Ursachen der Schlafstörungen liefern können. Bei einer Polysomnographie wird eine Vielzahl von
Körperfunktionsdaten eines Patienten während des Schlafvorgangs erfasst. Insbesondere aus dem Verlauf der Gehirnströme in bestimmten Bereichen des Gehirns, der Herztätigkeit und der Atmungsintensität und -frequenz während des Schlafens lassen sich Ursachen von
Schlafstörungen erkennen. Daher werden während einer Polysomnographie die Gehirnströme an verschiedenen Stellen des Gehirns mittels einer Elektroenzephalographie (EEG) erfasst sowie die Herztätigkeit mittels einer Elektrokardiographie (EKG). Darüber hinaus werden
Atmungsparameter sowie bei Bedarf Schnarchgeräusche mit Hilfe eines Mikrofons oder die elektrische Muskelaktivität mittels Elektromyographie (EMG) gemessen.
Üblicherweise wird die Polysomnographie in einem speziell ausgestatteten Schlaflabor durchgeführt.
Es ist weiter bekannt, dass sich der Schlaf in verschiedene Schlafstadien einteilen lässt.
Üblicherweise wird der Schlaf in fünf verschiedene Stadien eingeteilt, nämlich das Stadium N1 , das Stadium N2 und das Stadium N3 (als Teile des Non-REM-Schlafs), das REM-Stadium sowie das Wach-Stadium, welches den Epochen oder dem Zeitraum während des Schlafs entspricht, bei denen der Mensch sich im Wachzustand befindet. Die körperliche Aktivität bzw. die körperlichen Funktionsdaten unterscheiden sich in diesen Stadien. Dies macht sich beispielsweise dadurch bemerkbar, dass die Gehirnströme, welche mittels einer Elektroenzephalographie (EEG) erfasst werden, in den einzelnen Stadien unterschiedlich sind. Hierbei unterscheiden sich unter anderem sowohl die Frequenz als auch die Intensität der Gehirnströme. Auch die Herzaktivität, insbesondere die Herzfrequenz, ändert sich von einem Schlafstadium zum anderen.
Bei einem gesunden Menschen verlaufen die Schlafstadien in einem mehr oder weniger regelmäßigen Muster. Bei Patienten mit Schlafstörungen kann dieses Verlaufsmuster von dem eines gesunden Menschen abweichen. Darüber hinaus können verschiedene Körperfunktionen, abhängig von der absoluten bzw. prozentualen Schlafstadieneinteilung während des Schlafes, von denen eines gesunden Menschen abweichen.
Um die Ursache von Schlafstörungen ausfindig zu machen, ist es somit hilfreich, die einzelnen Schlafstadien eines Patienten zu erkennen und Körperfunktionen bestimmten Schlafstadien zuzuordnen. Auf Basis von aufgefundenen Abweichungen in dem zeitlichen Ablauf der
Schlafstadien und auf Basis von Abweichungen einzelner Körperfunktionen in den verschiedenen Schlafstadien gegenüber einem gesunden Menschen lassen sich die Ursachen einer
Schlafstörung erkennen oder besser eingrenzen.
Eine Polysomnographie-Aufnahme dauert in der Regel sieben bis acht Stunden, da dies die übliche Schlafdauer eines Menschen ist. Da manche Schlafstörungen nur wenige Sekunden dauern können, werden die Daten in sehr kurzen Zeitabständen, d.h. quasi kontinuierlich, aufgenommen.
Aufgrund der großen Datenmenge versteht es sich, dass die Auswertung einer solchen
Polysomnographie-Aufnahme sehr zeitaufwändig ist. Allein für die Klassifizierung der
Schlafstadien einer Polysomnographie-Aufnahme einer kompletten Nacht benötigt eine
Fachperson etwa eine bis zwei Stunden, dabei wird der Schlaf in 30-Sekunden-Einheiten, sogenannte Epochen, eingeteilt, wobei jede Epoche einem Schlafstadium zugeordnet wird. Weiterhin hängt die Qualität der Klassifizierung von der Erfahrung der Fachperson ab.
Es wurden bereits Versuche unternommen, die Klassifizierung einer Polysomnographie- Aufnahme automatisch durchzuführen. Bisher wurde jedoch noch kein zufriedenstellendes Verfahren gefunden, um eine Polysomnographie-Aufnahme automatisch in verschiedene Schlafstadien zu klassifizieren. Darstellung der Erfindung:
Es ist Aufgabe der vorliegenden Erfindung, ein Verfahren zur Klassifizierung von Schlafstadien einer Polysomnographie-Aufnahme bereitzustellen, welches zeitsparend und kostengünstig durchzuführen ist.
Erfindungsgemäß wird die Aufgabe gelöst durch ein Verfahren zur Klassifizierung einer
Polysomnographie-Aufnahme nach Anspruch 1 , welches folgende Schritte umfasst:
Zunächst wird der Schlaf eines Menschen in verschiedene Schlafstadien eingeteilt, wobei die Schlafstadien anhand wenigstens eines Datentyps erster Art identifizierbar sind. Dann erfolgt eine Erfassung einer Vielzahl von Informationen zu Körperfunktionen über einen vorgegebenen Zeitraum in Form von Daten, wobei die Daten wenigstens einen Datensatz des Datentyps erster Art umfassen. Die erfassten Daten werden in zeitabhängige Datenblöcke unterteilt. Dies kann manuell, d.h. von einer Person, oder automatisch von einem Computer oder dergleichen erfolgen. Anschließend wird manuell eine begrenzte Anzahl von Trainingsdatenblöcken aus den Datenblöcken ausgewählt und Schlafstadien zugeordnet, wobei die Trainingsdatenblöcke so ausgewählt werden, dass die in dem Trainingsblock enthaltenen Daten jeweils eindeutig einem definierten Schlafstadium zugeordnet werden können. Vorzugsweise erfolgt diese Auswahl durch eine geschulte Person oder durch eine Fachkraft. Jeder Datensatz erster Art eines jeden Trainingsdatenblocks wird mittels eines Datenaufbereitungsverfahrens ausgewertet. Aus den ausgewerteten Daten eines jeden Trainingsdatenblocks werden Trainingsobjekte erstellt, wobei jedes Trainingsobjekt die mittels des Datenaufbereitungsverfahrens ausgewerteten Datensätze erster Art eines Trainingsdatenblocks und die Zuordnung des Trainingsdatenblocks zu einem Schlafstadium umfasst. Die Trainingsobjekte werden dann an eine Support Vector Machine zur Erstellung einer Klassifizierung in der Support Vector Machine übermittelt. Danach wird wenigstens ein Teil der Datenblöcke, vorzugsweise alle Datenblöcke, die nicht als
Trainingsdatenblöcke ausgewählt wurden, an die Support Vector Machine übermittelt und es erfolgt eine automatische Einteilung dieser Datenblöcke in die bekannten Schlafstadien anhand der Daten des Datentyps erster Art eines jeden Datenblocks.
Unter dem Verfahrensschritt Auswertung des Datensatzes erster Art eines jeden
Trainingsdatenblocks mittels eines Datenaufbereitungsverfahrens werden im Rahmen der Erfindung sowohl Vorgänge wie das Bearbeiten und/oder das Analysieren von Datensätzen verstanden. Mit Hilfe des beschriebenen Verfahrens ist es möglich, den größten Teil der Klassifizierung einer Polysomnographie-Aufnahme in Schlafstadien automatisch durchzuführen.
Wenn es sich bei dem Verfahren auch um ein teilweise automatisiertes Verfahren zur
Klassifizierung von Polysomnographie-Aufnahmen handelt, so bedarf es jedoch nur noch eines sehr geringen zeitlichen Anteils einer Fachperson oder einer geschulten Person an der
Durchführung der Klassifizierung. Die Klassifizierung kann somit deutlich kostengünstiger als bisher durchgeführt werden.
Überraschend wurde festgestellt, dass eine mittels des beschriebenen Verfahrens durchgeführte Klassifizierung eine vergleichsweise hohe Genauigkeit aufweist, wenn der Datensatz erster Art Daten für folgende Körperfunktionen aufweist: Gehirnströme, Herzaktivität, Luftstrom der Atmung, Atemgeräusche, insbesondere Schnarchgeräusche, Augenbewegungsmuster, elektrische Muskelaktivität im Kinnbereich sowie am Unterschenkel (Musculus tibialis anterior).
Vorzugsweise wird bei dem beschriebenen Verfahren nach Anspruch 1 wenigstens eines der folgenden Messverfahren oder Messgeräte zur Ermittlung des Datensatzes erster Art eingesetzt: Elektroenzephalographie, Elektrokardiographie, Mikrophon, Luftströmungsmesser.
Die Erfindung basiert auf der Erkenntnis, dass die Gehirnströme, die mittels der
Elektroenzephalographie gemessen werden, besonders gut Rückschlüsse auf das in einem Datenblock vorliegende Schlafstadium zulassen. Insbesondere die C3/C4-Daten des
Elektroenzephalogramms sind vergleichsweise einfach zu ermitteln und ermöglichen aufgrund ihrer symmetrischen Anordnung auf dem Kopf einer Person darüber hinaus einen Vergleich der Messergebnisse untereinander. Von daher ist es gemäß einer bevorzugten Ausführungsform des beschriebenen Verfahrens vorgesehen, dass der Datensatz erster Art Daten einer
Elektroenzephalographie, insbesondere C3/C4-Daten einer Elektroenzephalographie aufweist.
Bei bevorzugten Ausführungsformen des beschriebenen Verfahrens konnte mittels folgender Datenaufbereitungsverfahren eine gute Einteilung der Polysomnographie-Aufnahme in
Schlafstadien erzielt werden: Kreuzfrequenzkopplungsmethode, Entropieverfahren,
Leistungsspektralanalyse und Bestimmung der Herzfrequenzvariabilität, wenn der Datensatz erster Art Daten zur Herzfunktion umfasst.
Weiterhin liegt der Erfindung die Erkenntnis zugrunde, dass die mittels eines
Elektroenzephalogramms erfassten Daten sich aus einer Überlagerung mehrerer schwingender Signale ergeben. Das Elektroenzephalogramm erfasst somit verschiedene
Frequenzkomponenten, die miteinander interagieren. Klassische Analysen der Leistungsfrequenz, die beispielsweise auf der (fast) Fourier Transformation (FFT) oder verschiedenen Transformationen der Zeit (z.B. Flilbert-Transformation) basieren, stellen
Modulationen der Amplituden innerhalb einer definierten Frequenz pro Zeit dar. Sie können jedoch nicht die Beziehungen von verschiedenen Frequenzen oder Frequenz-Komponenten zueinander identifizieren. Mit Hilfe der Kreuzfrequenzkopplungsmethode besteht die Möglichkeit, Kopplungsfrequenzen zu synthetisieren. Unter Einsatz der Kreuzfrequenzkopplungsmethode ist es einer Support-Vector-Machine möglich, vergleichbare Daten mit einer hohen Sicherheit richtig zu klassifizieren. Unter den verschiedenen Kreuzfrequenzkopplungsmethoden hat sich ein Phase-zu-Amplitude- Verfahren besonders bewährt. Gemäß einer bevorzugten Weiterbildung umfasst der Schritt Auswertung des Datensatzes erster Art eines jeden Trainingsdatenblocks mittels eines Datenaufbereitungsverfahrens somit eine Kreuzfrequenzkopplungsmethode, die ein Phase- zu-Amplitude-Verfahren umfasst. Mit diesem Phase-zu-Amplitude-Verfahren lassen sich besonders treffsicher die Daten eines Elektroenzephalogramms in Schlafstadien klassifizieren.
Im Hinblick auf eine Auswertung einer Polysomnographie-Aufnahme ist es von Vorteil, dass die erfassten Daten in ein vordefiniertes Zeitintervall unterteilt werden, wobei insbesondere das Zeitintervall im Bereich von 15 Sekunden bis 5 Minuten liegt und insbesondere bezüglich elektroenzephalographischer Signale vorzugsweise 30 Sekunden beträgt (sog. 30-Sekunden- Epoche).
Bei einer bevorzugten Ausführungsform des Verfahrens werden für jedes definierte
Schlafstadium zwei bis sechs, vorzugsweise vier Trainingsdatenblöcke ausgewählt.
Um die Vielzahl von vorliegenden Datenblöcken in einer kurzen Zeitdauer genau auszuwerten, ist es von Vorteil, dass die Support-Vector-Machine einen Algorithmus aufweist, welcher eine nicht lineare Basis-Kernel-Funktion nutzt.
Bei einer ersten Ausführungsform des Verfahrens können die Daten zu den Körperfunktionen in einem Schlaflabor erfasst werden, wobei vorzugsweise die Daten zu den Körperfunktionen in der zweiten Nacht im Schlaflabor erfasst werden.
Alternativ können die Daten zu den Körperfunktionen in häuslicher Umgebung erfasst werden.
Eine sehr hohe Übereinstimmungsrate bzw. eine sehr hohe Trefferquote bei der Klassifizierung von Schlafstadien gemäß des beschriebenen Verfahrens konnte dann erzielt werden, wenn der Datensatz des Datentyps erster Art aus den Daten einer Elektroenzephalographie, insbesondere aus C3/C4-Daten einer Elektroenzephalographie besteht und wenn die Auswertung des Datensatzes erster Art eines jeden Trainingsdatenblocks mittels einer
Kreuzfrequenzkopplungsmethode mit einem Phase-zu- Amplitude-Verfahren erfolgt.
Auch bei einem Verfahren, bei dem der Datensatz des Datentyps erster Art aus den Daten einer Elektroenzephalographie, insbesondere aus C3/C4-Daten einer Elektroenzephalographie besteht und die Auswertung des Datensatzes erster Art eines jeden Trainingsdatenblocks mittels einer Leistungsspektralanalyse erfolgt, konnten hohe Übereinstimmungsraten bei der
Klassifizierung von Schlafstadien erreicht werden.
Dies gilt auch für Verfahren, bei denen der Datensatz des Datentyps erster Art aus wenigstens einem der folgenden Datentypen besteht: Daten einer Elektroenzephalographie, insbesondere aus C3/C4-Daten einer Elektroenzephalographie, Atemfluss, Schnarchgeräusche und die Auswertung des Datensatzes erster Art eines jeden Trainingsdatenblocks mittels eines Entropie- Verfahrens erfolgt.
Schließlich hat sich auch ein Verfahren bewährt, bei dem der Datensatz des Datentyps erster Art aus den Daten einer Elektrokardiographie besteht und das Datenaufbereitungsverfahren ein Verfahren umfasst, um die Herzfrequenzvariabilität festzulegen.
Kurze Beschreibung der Zeichnungen:
Bevorzugte Ausführungsformen werden anhand der beigefügten Zeichnungen näher erläutert, in denen zeigen:
Fig. 1 eine schematische Darstellung des Ablaufs eines Verfahrens zur Klassifizierung einer Polysomnographie-Aufnahme in definierte Schlafstadien anhand von
Elektroenzephalographie (EEG)-Daten in Verbindung mit einem
Kopplungsfrequenzverfahren ;
Fig. 2 eine Übersicht über die verwendbaren Daten erster Art und entsprechende
Datenverarbeitungsverfahren ;
Fig. 3 eine schematische Darstellung des Ablaufs eines Verfahrens zur Klassifizierung einer Polysomnographie-Aufnahme in definierte Schlafstadien anhand von
Elektroenzephalographie (EEG)-Daten in Verbindung mit einer Leistungsspektralanalyse;
Fig. 4 eine schematische Darstellung des Ablaufs eines Verfahrens zur Klassifizierung einer Polysomnographie-Aufnahme in definierte Schlafstadien anhand von
Elektroenzephalographie (EEG)-Daten in Verbindung mit einem Entropieverfahren; Fig. 5 eine schematische Darstellung des Ablaufs eines Verfahrens zur Klassifizierung einer
Polysomnographie-Aufnahme in definierte Schlafstadien anhand von Elektrokardiographie (EKG)-Daten in Verbindung mit der Bestimmung der Herzfrequenzvariabilität.
Bester Weg zur Ausführung der Erfindung:
Fig. 1 zeigt eine schematische Darstellung des Ablaufs eines Verfahrens zur Klassifizierung einer Polysomnographie-Aufnahme in definierte Schlafstadien anhand von Elektroenzephalographie (EEG)-Daten in Verbindung mit einem Kopplungsfrequenz-verfahren.
Bei dem in Fig. 1 dargestellten Ablauf wird im ersten Schritt der Schlaf eines Menschen in verschiedene Schlafstadien eingeteilt. Üblicherweise wird der Schlaf in die fünf bekannten Stadien eingeteilt, nämlich das Stadium N1 , das Stadium N2, das Stadium N3, das REM-Stadium und das Wach-Stadium.
Jedes dieser bekannten Stadien ist hierbei anhand wenigstens eines Datentyps erster Art identifizierbar. Im konkreten Fall ist vorgesehen, die einzelnen Stadien anhand der mittels einer Elektroenzephalographie erfassten Gehirnströme automatisch zu identifizieren und zu
klassifizieren.
Im nächsten Schritt erfolgt eine Erfassung einer Vielzahl von Informationen zu Körperfunktionen über die Schlafdauer einer Person in Form einer bekannten Polysomnographie-Aufnahme in einem Schlaflabor. Üblicherweise dauert eine Polysomnographie-Aufnahme sieben bis acht Stunden.
Die erfassten Daten werden in zeitabhängige Datenblöcke mit einer Dauer von 30 Sekunden unterteilt. Dies kann manuell, d.h. von einer Person, oder automatisch von einem Computer oder dergleichen erfolgen.
Aus den Datenblöcken wählt eine geschulte Person oder eine Fachkraft eine begrenzte Anzahl von Trainingsdatenblöcken aus und ordnet diese ausgewählten Trainingsdatenblöcke jeweils einem Schlafstadium zu, wobei die Person oder die Fachkraft die Trainingsdatenblöcke so auswählt, dass die in dem Trainingsblock enthaltenen Daten jeweils eindeutig einem definierten Schlafstadium zugeordnet werden können. Idealerweise wählt die Person oder die Fachkraft für jedes Schlafstadium die gleiche Anzahl von Trainingsdatenblöcken aus. Es hat sich gezeigt, dass die Auswahl von vier Trainingsdatenblöcken pro Schlafstadium ausreichend ist. Es versteht sich jedoch, dass im Rahmen des beschriebenen Verfahrens auch mehr oder weniger
Trainingsdatenblöcke ausgewählt werden können.
Die Polysomnographie-Aufnahme und somit die Datenblöcke enthalten unter anderem die mittels einer Elektroenzephalographie erfassten Gehirnströme. Die Gehirnströme wurden hierbei an verschiedenen Stellen des Gehirns erfasst. Für das weitere Verfahren zur Klassifizierung einer Polysomnographie-Aufnahme in Schlafstadien werden die Daten, die an Positionen C3 und C4 am Kopf eines Patienten mittels der Elektroenzephalographie erfasst wurden, verwendet (siehe Abb. 1 in Fig. 1 ). Bei den Positionen C3, C4 handelt es sich um die Positionen, die bei einer Elektroenzephalographie üblicherweise als C3, C4 bezeichnet werden.
Die an den C3/C4-Positionen einer Elektroenzephalographie erhaltenen Daten eines jeden Trainingsdatenblocks werden mittels eines Datenaufbereitungsverfahrens ausgewertet.
Es ist bekannt, dass sich die Frequenz und die Amplitude der Gehirnströme in den einzelnen Schlafstadien ändern. Jedes Schlafstadium ist durch das Vorhandensein bzw. die Intensität oder Amplitude verschiedener bekannter Frequenzgruppen gekennzeichnet. Die Daten, die das Elektroenzephalogramm an einer Position des Gehirns anzeigt, sind somit eine Überlagerung verschiedener Signale, die das Gehirn in Form von Gehirnströmen aussendet. Eine einfache Frequenzanalyse der erfassten Daten, beispielsweise in Form einer (fast) Fourier- Transformation, liefert aufgrund der überlagerten Signale keine eindeutig an ein Schlafstadium zuordenbaren Frequenzfolgen.
Aus diesem Grund werden die an den C3/C4-Positionen der Elektroenzephalographie erhaltenen Daten mittels eines Kreuzfrequenzkopplungsverfahrens aufbereitet (siehe Abb. 2 in Fig. 1 ). Hierbei hat sich überraschend herausgestellt, dass sich ein Kreuzfrequenzkopplungsverfahren mit einem Phase-zu-Amplitude-Verfahren besonders eignet, um die Daten eines
Elektroenzephalogramms Schlafstadien zuzuordnen.
Aus den im Rahmen einer Elektroenzephalographie erfassten Daten werden an den C3/C4- Positionen zwei Frequenzgruppen identifiziert, deren Verlauf und Intensität mittels eines Phase- zu-Amplitude-Verfahrens genau beschrieben werden können. Bei einem Phase-zu-Amplitude- Verfahren wird die Abhängigkeit zwischen der Amplitude eines höherfrequenten Signals und der Phase eines niederfrequenten Signals dargestellt. Der charakteristische Verlauf der mittels Phase-zu-Amplitude-Verfahren bearbeiteten Frequenzgruppen lässt sich eindeutig einem Schlafstadium zuordnen. Die mit Hilfe des Kreuzfrequenzkopplungsverfahrens, insbesondere mit Hilfe des Phase-zu- Amplitude-Verfahrens erhaltenen Daten eines Datenblocks werden mit dem von einem
Fachmann bestimmten Schlafstadium korreliert und bilden somit ein Trainingsobjekt.
Die aus den ausgewählten Datenblöcken erhaltenen Trainingsobjekte werden an eine Support Vector Machine zur Erstellung einer Klassifizierung in der Support Vector Machine übermittelt (siehe Abb. 3 in Fig. 1 ).
Ein in der Support Vector Machine enthaltener Algorithmus markiert jedes Datenelement als einen Punkt in einem n-dimensionalen Raum, wobei n die Anzahl der Merkmale wiedergibt. Der Algorithmus muss zwischen verschiedenen separierenden Geraden den besten Mittelwert aus diesen errechnen, um damit für alle Punkte die beste gemeinsame separierende Ebene, also in diesem Fall eine Linie mit dem maximal möglichen Abstand zu allen Datenpunkten zu ermitteln. Die Klassifikation wird durchgeführt, indem die sogenannte optimale Hyperebene bestimmt wird. Als nächsten Schritt sucht sich der Algorithmus die Hyperebene, auf der die Datenpunkte mit der geringsten Distanz zur optimalen Hyperebene liegen, die sogenannten Support Vectors. Diese Distanz erhält den Namen Margin. Die optimale separierende Hyperebene maximiert nun die Margin, um deutlich voneinander getrennte Klassifikationsgruppen zu erhalten. Die Support Vector Machine unterteilt somit die Trainingsdatenblöcke in die vorgegebenen Schlafstadien.
Danach wird der restliche Teil der Datenblöcke, die nicht als Trainingsdatenblöcke ausgewählt wurden, an die Support Vector Machine übermittelt und es erfolgt eine automatische Einteilung dieser Datenblöcke in die bekannten Schlafstadien anhand der C3/C4-Daten einer
Elektroenzephalographie.
In einer Testphase konnte mit dem beschriebenen Verfahren eine richtige Zuordnung der Datenblöcke in Schlafstadien und somit eine Trefferquote von mehr als 93% erreicht werden (siehe Abb. 4 in Fig. 1 ).
Eine besonders genaue Klassifizierung der nicht als Trainingsdatenblöcke ausgewählten Datenblöcke wird dadurch erreicht, dass eine nicht lineare Basis-Kernel-Funktion im Algorithmus der Support Vector Machine verwendet wird.
Fig. 2 zeigt eine Übersicht über die im Rahmen des vorliegenden Verfahrens verwendbaren Daten erster Art, die geeignet sind, eine Klassifikation vorzunehmen, und entsprechende Datenaufbereitungsverfahren zur Auswertung der Daten erster Art. Anstelle der in Zusammenhang mit Fig. 1 verwendeten Daten einer Elektroenzephalographie eignen sich auch die Daten des Atemstroms (Flow), des Schnarchens und die Daten einer Elektrokardiographie als Daten erster Art zur Durchführung des beschriebenen Verfahrens, wenn geeignete Datenaufbereitungsverfahren verwendet werden.
So können alternativ zu der in Zusammenhang mit Fig. 1 verwendeten Kreuzfrequenzmethode die Daten erster Art auch mittels einer Leistungsspektralanalyse oder eines Entropieverfahrens ausgewertet werden.
Bei der Leistungsspektralanalyse wird die auf Frequenzen bezogene Leistung eines Signals in einem Frequenzband angegeben. Die Leistungsspektralanalyse eignet sich beispielsweise für Daten einer Elektroenzephalographie (siehe Fig.3). Insbesondere eignet sich das Multi- T aperverfahren hierfür.
Wie oben bereits angeführt, lassen sich klassische Frequenztransformationen wie etwa die Fouriertransformation nicht oder nur unzureichend auf Daten einer Elektroenzephalographie anwenden. So fehlt beispielsweise bei einer Fouriertransformation der zeitliche Bezug zu den jeweiligen Frequenzen. Das Multi-Taperverfahren erzeugt durch Multiplikation im
Frequenzbereich eine solche Zeit-Frequenzdarstellung.
Bei dem Entropieverfahren handelt es sich um eine nichtlineare dynamische Analyse. Das Flauptprinzip der Entropieverfahren ist die Quantifizierung von Informationen eines Signals sowie der Wahrscheinlichkeit für das Auftreten von bestimmten Mustern innerhalb einer endlichen Anzahl von Mustern und innerhalb einer Zeitreihe des Signals. Je mehr Informationen innerhalb eines Signals vermittelt werden, desto höher ist die Entropie des Signals. Es gibt verschiedene Arten von Entropieverfahren, wobei sich in Zusammenhang mit der Klassifizierung von
Schlafstadien das Probenentropieverfahren besonders eignet, welche eine Modifizierung des Approximate Entropy-Verfahrens ist.
Bei dem Approximate Entropy-Verfahren werden Zeitreihen nach sich ähnelnden Epochen untersucht, wobei häufigere und ähnlichere Epochen zu geringeren Werten der Approximate Entropy führen. So bedeuten geringere Werte der Approximate Entropy ein hohes Niveau an Ordnungsmäßigkeit des Signals und umgekehrt bedeuten hohe Werte der Approximate Entropy ein unregelmäßiges Signal.
Das Approximate Entropy-Verfahren ist jedoch von der Datensatzlänge abhängig. Um eine Abhängigkeit der Ergebnisse von der Datensatzlänge zu vermeiden, wird daher ein Entropieverfahren verwendet, bei dem mit sich selbst übereinstimmende Sequenzen nicht mitgezählt werden und welches unabhängig von der Datensatzlänge funktioniert. Bei diesem Entropieverfahren handelt es sich um das oben genannte Probenentropieverfahren, welches eine Modifikation des Approximate Entropy-Verfahrens ist. Das Probenentropieverfahren hat darüber hinaus den Vorteil, dass es schneller durchführbar ist.
Das Probenentropieverfahren kann, wie in Fig. 4 dargestellt, besonders vorteilhaft in
Zusammenhang mit Elektroenzephalographie-Daten verwendet werden. Für dieses Verfahren können auch Daten des Atemstroms (Flow) und des Schnarchens eingesetzt werden.
In dem Fall, in dem die Daten einer Elektrokardiographie entnommen werden, eignet sich auch ein Datenaufbereitungsverfahren, das aus den erfassten Daten die Herzfrequenzvariabilität bestimmt (siehe Fig. 5).
Der Abstand zwischen zwei Herzschlägen wird in der Regel als die Zeit zwischen dem Beginn zweier Kontraktionen der Herzkammern definiert. Dieser Beginn der Kammerkontraktion wird im Elektrokardiogramm als R-Zacke angezeigt, wobei der Abstand zwischen zwei R-Zacken als RR- Intervall bezeichnet wird. Die RR-Intervalle sind im Regelfall nicht gleich lang, sondern unterliegen Schwankungen. Die Quantifizierung dieser Schwankungen bezeichnet man als Herzfrequenzvariabilität (HRV).
Die aus den Daten einer Elektrokardiographie bestimmte Herzfrequenzvariabilität eines ausgewählten Trainingsdatenblocks dient zusammen mit der Zuordnung zu dem Schlafstadium bereits als Trainingsobjekt, welches der Support Vector Machine übermittelt werden kann. Die nicht als Trainingsdatenblöcke ausgewählten Datenblöcke können mittels der Support Vector Machine anhand der Herzfrequenzvariabilität in Schlafstadien klassifiziert werden.
Wenn auch bei dem beschriebenen Verfahren die beste Trefferquote bzw. beste Zuordnung der Datenblöcke zu Schlafstadien mit den C3/C4-Daten unter Verwendung eines
Kreuzfrequenzverfahrens erreicht wurden, so wurde auch mit den Verfahren, die das
Entropieverfahren bzw. die Leistungsspektralanalyse einsetzen, eine zufriedenstellende
Trefferquote erzielt. Bis auf das Verfahren, bei dem die Schnarchgeräusche als Daten erster Art verwendet wurden, lagen die Trefferquoten in der Regel bei über 50%, teilweise weit über 50%.
Auch die Herzfrequenzvariabilität eignet sich für die Klassifizierung von Schlafstadien mittels des beschriebenen Verfahrens. Auch hier liegen die Trefferquoten über 50%.

Claims

Patentansprüche
1. Verfahren zur Klassifizierung einer Polysomnographie-Aufnahme in definierte
Schlafstadien, umfassend die folgenden Schritte:
• Einteilung des Schlafs eines Menschen in verschiedene Schlafstadien, wobei die Schlafstadien anhand wenigstens eines Datentyps erster Art identifizierbar sind;
• Erfassung einer Vielzahl von Informationen zu Körperfunktionen über einen
vorgegebenen Zeitraum in Form von Daten, wobei die Daten wenigstens einen Datensatz des Datentyps erster Art umfassen;
• Unterteilung der erfassten Daten in zeitabhängige Datenblöcke;
• manuelles Auswählen einer begrenzten Anzahl von Trainingsdatenblöcken aus den Datenblöcken und Zuordnen zu einem Schlafstadium, wobei die Trainingsdatenblöcke so ausgewählt werden, dass die in dem Trainingsblock enthaltenen Daten jeweils eindeutig einem definierten Schlafstadium zugeordnet werden können;
• Auswertung des Datensatzes erster Art eines jeden Trainingsdatenblocks mittels eines Datenaufbereitungsverfahrens;
• Erstellung von Trainingsobjekten, wobei jedes Trainingsobjekt die mittels des Datenaufbereitungsverfahrens ausgewerteten Datensätze erster Art eines Trainingsdatenblocks und die Zuordnung des Trainingsdatenblocks zu einem Schlafstadium umfasst;
• Übermittlung der T rainingsobjekte an eine Support Vector Machine zur Erstellung einer Klassifizierung in der Support Vector Machine;
• Übermittlung wenigstens eines Teils der Datenblöcke, die nicht als
Trainingsdatenblöcke ausgewählt wurden, an die Support Vector Machine und automatische Einteilung dieser Datenblöcke in die bekannten Schlafstadien anhand der Daten des Datentyps erster Art der Datenblöcke.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass der Datensatz erster Art Daten folgender Körperfunktionen aufweist: Gehirnströme, Herzaktivität, Luftstrom der Atmung, Atemgeräusche, insbesondere Schnarchgeräusche, Augenbewegungsmuster, elektrische Muskelaktivität im Kinnbereich sowie am Unterschenkel.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass wenigstens eines der folgenden Messverfahren oder Messgeräte zur Ermittlung des Datensatzes erster Art eingesetzt wird: Elektroenzephalographie, Elektrokardiographie, Mikrophon,
Luftströmungsmesser.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass der Datensatz erster Art Daten einer Elektroenzephalographie, insbesondere C3/C4- Daten einer Elektroenzephalographie aufweist.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Datenaufbereitungsverfahren wenigstens eines der folgenden Verfahren umfasst: Kreuzfrequenzkopplungsmethode, Entropieverfahren, Leistungsspektralanalyse und Bestimmung der Herzfrequenzvariabilität, wenn der Datensatz erster Art Daten zur Herzfunktion umfasst.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Kreuzfrequenzkopplungsmethode ein Phase-zu-Amplitude-Verfahren umfasst.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die erfassten Daten in ein vordefiniertes Zeitintervall unterteilt werden, wobei
insbesondere das Zeitintervall im Bereich von 15 Sekunden bis 5 Minuten liegt, vorzugsweise 30 Sekunden beträgt.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass für jedes definierte Schlafstadium zwei bis sechs, vorzugsweise vier Trainingsdatenblöcke ausgewählt werden.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Support Vector Machine einen Algorithmus aufweist, welcher eine nicht lineare Basis- Kernel-Funktion nutzt.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Daten zu den Körperfunktionen in einem Schlaflabor erfasst werden, wobei vorzugsweise die Daten zu den Körperfunktionen in der zweiten Nacht im Schlaflabor erfasst werden.
1 1. Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, dass die Daten zu den Körperfunktionen in häuslicher Umgebung erfasst werden.
12. Verfahren nach einem der vorhergehenden Schritte, dadurch gekennzeichnet, dass der Datensatz des Datentyps erster Art aus den Daten einer Elektroenzephalographie, insbesondere aus C3/C4-Daten einer Elektroenzephalographie besteht und dass die Auswertung des Datensatzes erster Art eines jeden Trainingsdatenblocks mittels einer Kreuzfrequenzkopplungsmethode mit einem Phase-zu-Amplitude-Verfahren erfolgt.
13. Verfahren nach einem der Ansprüche 1 bis 1 1 , dadurch gekennzeichnet, dass der
Datensatz des Datentyps erster Art aus den Daten einer Elektroenzephalographie, insbesondere aus C3/C4-Daten einer Elektroenzephalographie besteht und dass die Auswertung des Datensatzes erster Art eines jeden Trainingsdatenblocks mittels einer Leistungsspektralanalyse erfolgt.
14. Verfahren nach einem der Ansprüche 1 bis 1 1 , dadurch gekennzeichnet, dass der
Datensatz des Datentyps erster Art aus wenigstens einem der folgenden Datentypen besteht: Daten einer Elektroenzephalographie insbesondere aus C3/C4-Daten einer Elektroenzephalographie, Atemfluss, Schnarchgeräusche und dass die Auswertung des Datensatzes erster Art eines jeden Trainingsdatenblocks mittels eines Entropie- Verfahrens erfolgt.
15. Verfahren nach einem der Ansprüche 1 bis 1 1 , dadurch gekennzeichnet, dass der
Datensatz des Datentyps erster Art aus den Daten einer Elektrokardiographie besteht und das Datenaufbereitungsverfahren ein Verfahren umfasst, um die Herzfrequenzvariabilität festzulegen.
PCT/EP2020/056326 2019-03-26 2020-03-10 Verfahren zur klassifizierung einer polysomnographie-aufnahme in definierte schlafstadien WO2020193116A1 (de)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CA3134205A CA3134205A1 (en) 2019-03-26 2020-03-10 Method for classifying a polysomnography recording into defined sleep stages
US17/440,057 US20220183619A1 (en) 2019-03-26 2020-03-10 Method for classifying a polysomnography recording into defined sleep stages
EP20711544.5A EP3946003A1 (de) 2019-03-26 2020-03-10 Verfahren zur klassifizierung einer polysomnographie-aufnahme in definierte schlafstadien
JP2021556983A JP2022526516A (ja) 2019-03-26 2020-03-10 睡眠ポリグラフィー検査記録を定義済の睡眠段階に分類するための方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019107666.8 2019-03-26
DE102019107666.8A DE102019107666A1 (de) 2019-03-26 2019-03-26 Verfahren zur Klassifizierung einer Polysomnographie-Aufnahme in definierte Schlafstadien

Publications (1)

Publication Number Publication Date
WO2020193116A1 true WO2020193116A1 (de) 2020-10-01

Family

ID=69844807

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/056326 WO2020193116A1 (de) 2019-03-26 2020-03-10 Verfahren zur klassifizierung einer polysomnographie-aufnahme in definierte schlafstadien

Country Status (6)

Country Link
US (1) US20220183619A1 (de)
EP (1) EP3946003A1 (de)
JP (1) JP2022526516A (de)
CA (1) CA3134205A1 (de)
DE (1) DE102019107666A1 (de)
WO (1) WO2020193116A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022069452A1 (de) * 2020-10-01 2022-04-07 Universitätsmedizin Der Johannes Gutenberg-Universität Mainz Verfahren zur klassifizierung einer polysomnographie-aufnahme in definierte schlafstadien

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3454743A1 (de) * 2016-06-27 2019-03-20 Koninklijke Philips N.V. Bestimmungssystem und verfahren zur bestimmung eines schlafstadiums einer person

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4731031B2 (ja) * 2001-03-30 2011-07-20 株式会社デンソー 睡眠解析装置及びプログラム並びに記録媒体
JP5324743B2 (ja) * 2003-07-01 2013-10-23 カーディオマグ イメージング、 インコーポレイテッド 心磁図の分類のための機械学習の使用
EP2858558A1 (de) * 2012-06-12 2015-04-15 Technical University of Denmark Hilfssystem und -verfahren zum nachweis neurodegenerativer erkrankungen
US9655559B2 (en) * 2014-01-03 2017-05-23 Vital Connect, Inc. Automated sleep staging using wearable sensors
KR102063925B1 (ko) * 2016-09-23 2020-01-08 기초과학연구원 뇌 자극 장치
JP7287941B2 (ja) * 2017-07-17 2023-06-06 エスアールアイ インターナショナル 支配末梢神経系振動に基づく徐波活動最適化
CN107495962B (zh) * 2017-09-18 2020-05-05 北京大学 一种单导联脑电的睡眠自动分期方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3454743A1 (de) * 2016-06-27 2019-03-20 Koninklijke Philips N.V. Bestimmungssystem und verfahren zur bestimmung eines schlafstadiums einer person

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Abstracts der 25. Jahrestagung der Deutschen Gesellschaft für Schlafforschung und Schlafmedizin e. V", SOMNOLOGIE, BLACKWELL WISSENSCHAFT, DE, vol. 21, no. 2, 25 October 2017 (2017-10-25), pages 45 - 138, XP036348703, ISSN: 1432-9123, [retrieved on 20171025], DOI: 10.1007/S11818-017-0140-6 *
ESPIRITU HUGO ET AL: "Automated Detection of Sleep Disorder-Related Events from Polysomnographic Data", 2015 INTERNATIONAL CONFERENCE ON HEALTHCARE INFORMATICS, IEEE, 21 October 2015 (2015-10-21), pages 562 - 569, XP032828175, DOI: 10.1109/ICHI.2015.105 *
H.GOUVERIS, P.T.BOEKSTEGERS, A.ABRIANI, K.BAHR, T.HUPPERTZ, E.MARTIN, C.MATTHIAS, S.GROPPA, M.MUTHURAMAN: "Sleep stage classification using spectral analyses and support vector machine algorithm on C3- and C4-EEG signals", SLEEP MEDICINE, vol. 40, 30 December 2017 (2017-12-30), online, XP085324612, ISSN: 1389-9457, DOI: 10.1016/J.SLEEP.2017.11.338 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022069452A1 (de) * 2020-10-01 2022-04-07 Universitätsmedizin Der Johannes Gutenberg-Universität Mainz Verfahren zur klassifizierung einer polysomnographie-aufnahme in definierte schlafstadien

Also Published As

Publication number Publication date
DE102019107666A1 (de) 2020-10-01
EP3946003A1 (de) 2022-02-09
US20220183619A1 (en) 2022-06-16
JP2022526516A (ja) 2022-05-25
CA3134205A1 (en) 2020-10-01

Similar Documents

Publication Publication Date Title
Brandt et al. Pre-stimulus spectral EEG patterns and the visual evoked response
DE69736592T2 (de) Systeme zur vorhersagung, schnellerfassung,warnung, vermeidung oder kontrolle von zustandsveränderungen im gehirn
DE60116132T2 (de) Vorrichtung zur schnellen bestimmung des zerebralen zustands eines patienten
DE69637337T2 (de) Verbesserungen in Bezug auf physiologische Überwachung
DE102012218057A1 (de) Vorrichtung und verfahren zur untersuchung einer krankhaften interaktion zwischen verschiedenen hirnarealen
EP1059875B1 (de) Auswertesystem zur gewinnung diagnostischer informationen aus signalen und daten medizinischer sensorsysteme
EP0828225A1 (de) Verfahren und Vorrichtung zum Auswerten von EEG-Daten
DE19831109A1 (de) Verfahren zur Auswertung von mit Störungen der Atemregulation bei Früh- und Neugeborenen im Zusammenhang stehenden Meßdaten
Joshi et al. Computer aided detection of abnormal EMG signals based on tunable-Q wavelet transform
EP4221569A1 (de) Verfahren zur klassifizierung einer polysomnographie-aufnahme in definierte schlafstadien
WO2003053233A1 (de) Verfahren und vorrichtung zur automatisierten detektion und differenzierung von herzrhythmusstörungen
DE102015116044A1 (de) Verfahren und Vorrichtung zur Quantifizierung einer respiratorischen Sinusarrhythmie sowie Verwendung eines derartigen Verfahrens oder einer derartigen Vorrichtung [
DE10246404A1 (de) Verfahren & System zur Messung von T-Wellen-Alternationen durch eine Ausrichtung von alternierenden in der Mitte befindlichen Schlägen zu einem kubischen Spline
WO2020193116A1 (de) Verfahren zur klassifizierung einer polysomnographie-aufnahme in definierte schlafstadien
EP2799110B1 (de) Medizinisches Gerät zum Erfassen und Erzeugen von Resonanzfrequenzen
DE69633146T2 (de) Verfahren zum beeinflussen des organismus
DE69730523T2 (de) Identifizierung von kohärenten signalmustern bei nichtstationären periodischen blutdruckmesswerten
EP1106205A2 (de) Betriebsverfahren für ein kardiologisches Geräteimplantat, insbesondere einen Herzschrittmacher
EP3258833B1 (de) Verfahren zur bestimmung der wahrnehmungsfähigkeit eines probanden
DE112019007067T5 (de) Vorrichtung und verfahren zum automatischen testen einer auditorischen hirnstammreaktion
DE60035505T2 (de) Feststellung von neurologischen zuständen mittels reizevozierten potentialen
EP0833584B1 (de) Verfahren und einrichtung zum auswerten von elektroenzephalogramm-aufnahmen
DE10042813A1 (de) Anordnung und Verfahren zur Generierung von Schlafprofilen unter Einbeziehung der Herzperiodendauervariabilität
WO2023208678A1 (de) VERFAHREN ZUR BESTIMMUNG EINES MAßES FÜR DEN GRAD EINER OBSTRUKTIVEN SCHLAFAPNOE UND/ODER DEREN FOLGEERSCHEINUNG; WIE ETWA DER TAGESSCHLÄFRIGKEIT
EP4268710A1 (de) Verfahren zur bestimmung eines masses für den grad einer obstruktiven schlafapnoe und/oder deren folgeerscheinung, wie etwa der tagesschläfrigkeit

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20711544

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 3134205

Country of ref document: CA

ENP Entry into the national phase

Ref document number: 2021556983

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2020711544

Country of ref document: EP

Effective date: 20211026