Approche par réseau neuronal mixte pour la classification des stades de sommeil temporels

Cet article propose une approche pratique pour surmonter les limitations posées par l'utilisation de l'électroencéphalographie (EEG) à canal unique pour la classification des stades de sommeil. Les caractérisations basées sur l'EEG du progrès des stades de sommeil contribuent au diagnostic et au suivi de nombreuses pathologies du sommeil. Plusieurs rapports antérieurs ont exploré des moyens d'automatiser l'analyse de l'EEG de sommeil et de réduire la complexité des données nécessaires pour une discrimination fiable des stades de sommeil à moindre coût à domicile. Cependant, ces rapports impliquaient des enregistrements provenant d'électrodes placées sur le sommet crânien ou l'occiput, qui sont à la fois inconfortables et difficiles à positionner. Des études précédentes de notation des stades de sommeil qui n'utilisaient que des électrodes frontales avec un arbre de décision hiérarchique ont motivé cet article, dans lequel nous avons tiré parti du réseau neuronal à redressement pour détecter des caractéristiques hiérarchiques et du réseau de mémoire à long et court terme pour l'apprentissage des données séquentielles afin d'optimiser la performance de classification avec des enregistrements à canal unique. Après avoir exploré des placements d'électrodes alternatifs, nous avons trouvé une configuration confortable d'un EEG à canal unique sur le front et avons démontré qu'il pouvait être intégré avec des électrodes supplémentaires pour un enregistrement simultané de l'électrooculogramme. L'évaluation des données de 62 personnes (avec 494 heures de sommeil) a démontré une meilleure performance de notre algorithme analytique que ce qui est disponible avec les approches existantes ayant des placements d'électrodes au sommet ou à l'occiput. L'utilisation de cette configuration d'enregistrement avec déconvolution par réseau neuronal promet de rendre les études de sommeil à domicile cliniquement indiquées pratiques.