Academic literature on the topic 'Système de classification des stades de sommeil'

Un facteur limitant dans le développement des études sur le sommeil réside dans le fait que, conventionnellement, les traces polygraphiques sont analysés visuellement. L'objectif de la thèse concernait l'étude et la réalisation d'un système automatique des stades du sommeil. L'intérêt essentiel est de décharger les chercheurs du sommeil de nombreuses heures de lecture des tracés, de réduire la subjectivité du jugement humain en augmentant la productivité. La méthode est basée sur l'analyse simultanée de trois signaux électrophysiologiques : l'électro-encéphalogramme (EEG), l'électro-oculogramme (EOG) et l'électromyogramme (EMG). L'analyse numérique des enregistrements du sommeil, réalisée en temps réel, peut être décomposée en 3 étapes : l'extraction de paramètres temps-fréquence sur les trois signaux échantillonnées ; la classification de chaque vecteur de paramètres dans l'un des stades du sommeil à l'aide d'un réseau de neurones multicouches ; l'analyse informatisée de la classification automatique pour la sortie d'un rapport de la nuit du patient. Les performances du système indiquent un pourcentage d'accord global de 80. 6% comparativement à un groupe de 10 experts dont la variabilité est estimée à 87. 9% sur la base d'époques de 30 secondes. Le système d'analyse automatique des stades du sommeil peut être considéré comme une alternative utile à l'analyse visuelle pour de nombreuses investigations du sommeil humain.

Dans cette thèse, un système personnalisé de stadification automatique du sommeil est proposé, combinant fusion symbolique et système de contrôle rétroactif. La fusion symbolique est inspirée par le processus décisionnel mis en œuvre par les cliniciens experts du sommeil lors la reconnaissance visuelle des stades de sommeil. Il commence par l'extraction de paramètres numériques à partir des signaux polysomnographiques bruts. L'interprétation symbolique de haut niveau se fait par l'intermédiaire de l'extraction de caractéristiques à partir des paramètres numériques. Enfin, la décision est générée en utilisant des règles inspirées par les recommandations internationales en médecine du sommeil. Les symboles et les valeurs des caractéristiques dépendent d'un ensemble de seuils, dont la détermination est une question clé. Dans cette thèse, deux algorithmes de recherche différents, Differential Evolution et Cross Entropy ont été étudiés pour calculer la valeur de ces seuils automatiquement. La variabilité individuelle a souvent été ignorée dans les systèmes automatiques de stadification du sommeil existants. Cependant, elle a été démontrée dans plusieurs travaux de recherche vis à vis de nombreux aspects du sommeil (comme les enregistrements polysomnographiques, les habitudes de sommeil, l'architecture du sommeil, la durée du sommeil, les événements liés au sommeil, etc.). Afin d'améliorer l'efficacité des classificateurs des stades de sommeil, un système automatisé de sommeil automatique adapté aux différentes personnes et tenant compte de la variabilité individuelle a été exploré et évalué<br>In this thesis, a personalized automatic sleep staging system is proposed by combining symbolic fusion and feedback system control technique. Symbolic fusion is inspired by the decision-making process of clinical sleep staging. It starts from the extraction of digital parameters from raw polysomnography signals and it goes up to a high-level symbolic interpretation through a features extraction process. At last, the decision is generated using rules inspired by international guidelines in sleep medicine. Meanwhile, the symbols and the features computations depend on a set of thresholds, whose determination is a key issue. In this thesis, two different search algorithms, Differential Evolution and Cross Entropy, were studied to compute these thresholds automatically.Individual variability was often ignored in existing automatic sleep staging systems. However, an individual variability was observed in many aspects of sleep research (such as polysomnography recordings, sleep patterns, sleep architecture, sleep duration, sleep events, etc.). In order to improve the effectiveness of the sleep stages classifiers, a personalized automatic sleep staging system that can be adapted the different persons and take individual variability into consideration was explored and evaluated.The perspectives of this work are based on evaluating the complexity and the performances of these algorithms in terms of latencies and hardware resource requirements, in order to target a personalized automated embedded sleep staging system

Le diagnostic des troubles du sommeil repose sur l'analyse de différents signaux enregistrés lors d'un examen du sommeil. Cette analyse est réalisée par un spécialiste du sommeil qui étudie la ventilation et, selon l'outil de diagnostic, la succession des stades de sommeil. Cette dernière tâche est particulièrement chronophage et complexe. Trois algorithmes d'aide au diagnostic et dédiés à cette tâche sont présentés.Le premier permet la classification éveil/sommeil lors de l'utilisation d'un nouvel outil de diagnostic. Il en découle la possibilité pour le médecin de diagnostiquer précisément le syndrome d'apnées du sommeil et à moindre coût.Le deuxième, fondé sur les voies électrophysiologiques, permet d'obtenir une classification de tous les stades de sommeil à partir de l'outil de diagnostic le plus complet. Il a été implémenté en considérant les limitations à l'utilisation d'un tel algorithme en routine clinique. L'architecture de cet algorithme reproduit ainsi le processus de classification réalisé manuellement par les médecins. Une fonction de seuillage auto-adaptatif a aussi été mise en place afin de fournir une classification patient-dépendante. Les résultats obtenus sont comparables avec ceux des médecins.Le troisième algorithme, fondé sur les voies cardio-respiratoires, permet de classifier les stades de sommeil à partir d'un outil de diagnostic très utilisé mais pour lequel il n'est normalement pas possible d'étudier les stades de sommeil. La tâche est complexe, mais les résultats obtenus sont satisfaisants vis-à-vis de la littérature.Les trois algorithmes, destinés aux différents outils de diagnostic, permettront d'aider les spécialistes à analyser le sommeil<br>The diagnostic of sleep-disordered breathing requires the analysis of various signals obtained while recording sleep. The analysis is carried by a sleep specialist, which studies the patient's ventilation and, depending on the diagnostic tool used for the record, sleep stages. Sleep stage scoring is a complex and time-consuming task. Three diagnosis support algorithms dedicated to this task are presented in this thesis.The first one provides a wakefulness versus sleep classification, designed for a new diagnostic tool. It results in the ability to make a precise diagnosis of sleep apnea syndrome, at low cost.The second algorithm, based on electrophysiological channels, provides a full sleep stage classification while using the most complete diagnosis tool. It was implemented considering the known limitations for the use of algorithms in clinical practice. Its architecture thus reproduces the manual scoring process. A self-adaptative thresholding function was also implemented to provide a patient-dependent classification. The obtained results are comparable with the ones from sleep experts.The third algorithm, based on cardio-respiratory channels, provides a sleep stage classification while using a diagnostic tool that is insufficient for a manual sleep scoring, yet still highly used. The task is challenging but the obtained results are satisfying compared to literature.All three algorithms, which were designed for various diagnostic tools, will help sleep experts analyzing sleep

Au cœur du couplage entre les phénomènes ultradiens, endocriniens et hypniques, le système nerveux autonome joue un rôle décisif. Nous avons appréhendé les variations de l'activité du système nerveux autonome par la mesure en continu des indices temporels et spectraux de la variabilité cardiaque, définie comme la variation de l'intervalle de temps séparant deux battements cardiaques consécutifs. Le rythme ultradien du sommeil est caractérisé par l'alternance de sommeil paradoxal et de sommeil lent. La quantification de l'électroencéphalogramme (EEG) au moyen de l'analyse spectrale permet, par une approche dynamique de l'activité cérébrale, de compléter la traditionnelle classification en stades, en caractérisant les variations continues des ondes EEG dans leurs différentes bandes de fréquence. Nous avons montré le lien étroit entre la variabilité cardiaque et l'activité EEG au cours des cycles de sommeil lent-sommeil paradoxal, puis avons démontré l'importance des cycles de sommeil dans l'expression des profils d'évolution nycthéméraux de la fréquence cardiaque et de la variabilité cardiaque. Nous avons montré l'effondrement de la variabilité cardiaque avec l'âge et décrit le déséquilibre de la balance sympatho-vagale en faveur du système nerveux sympathique. Les variations spontanées de la variabilité cardiaque lors de l'alternance des stades de sommeil, de même que l'augmentation de la fréquence cardiaque lors de la phase d'activation transitoire provoquant l'émergence du sommeil à ondes lentes ont ensuite été utilisées pour tester la réactivité des patients ayant subi une transplantation cardiaque. Le sommeil représente un moment privilégié d'étude, libre de toute influence externe, au cours duquel peuvent être révélées certaines pathologies cardiaques ou des anomalies du système nerveux autonome. Ainsi, l'analyse de la variabilité cardiaque au cours des cycles de sommeil peut constituer un moyen d'investigation fonctionnelle de l'activité du système nerveux autonome.

L'objectif principal de cette thèse est la détection automatique des stades de sommeil chez les nouveau-nés prématurés à partir de l'électroencéphalogramme (EEG). Deux objectifs complémentaires sont l'évaluation de la relation température-sommeil ainsi que la relation température-maturité de la partie autonome du système nerveux central (SNC). Le but souhaité est de trouver la relation transitive entre le sommeil et la maturité du SNC. Nous avons appliqué deux méthodes de détection d'événements par traitement du signal. La première méthode, basée sur le principe de la construction d'une base de données à partir des paramètres temporaux et spectraux, est appelée méthode de détection et de classification automatique (MDA). Celle-ci a fourni des résultats encourageants puisque le taux moyen de bonne détection varie de 37 à 47% selon le protocole utilisé. La deuxième méthode est appelée méthode de détection par analyse des moments statistiques (MDM). Celle-ci est très satisfaisante puisque le taux de bonne détection varie de 77% à 85%. Pour évaluer la relation entre température et sommeil, nous avons réalisé une étude statistique (test ) sur 20 sujets (données cliniques), pour évaluer l'influence du changement de température sur la distribution et la durée des stades dans un cycle de sommeil. Les résultats ont montré une relation forte entre la température ambiante et le sommeil surtout dans un milieu froid. Enfin, pour évaluer la relation entre température et maturité de la partie autonome du SNC, nous avons utilisé des techniques nommées PIB (puissance instantanée dans une bande de fréquence sur l'EEG) et PTI (information mutuelle entre EEG et l'électrocardiogramme (ECG)) sous l'influence du changement de température ambiante.

L’objectif de cette thèse est l’amélioration d’un système de classification automatique des stades de sommeil par la prise en compte des variabilités inter-et-intra individuelles, ces dernières ayant un effet détrimentaire sur la classification. Nous nous intéressons en particulier à la détection des épisodes de sommeil paradoxal au cours de la nuit. Nos recherches se focalisent sur le transfert d’apprentissage et la sélection de détecteurs adaptés, permettant l’individualisation de l’analyse par l’exploitation des propriétés des données observées. Nous avons focalisé nos travaux sur l’application des méthodes d’alignement de noyau, dans un premier temps au travers de l’utilisation du kernel-target alignment étudié ici de manière duale, c’est-à-dire à noyau fixé et optimisé par rapport aux étiquettes recherchées des données de tests. Dans un second temps, nous avons introduit le kernel-cross alignment, permettant d’exploiter plus fortement l’information contenue dans les données d’apprentissage. Les idées développées dans le cadre de ces travaux ont été étendues à la sélection automatique d’un ensemble d’apprentissage adapté à un ensemble de test donné. Les contributions de ces travaux sont à la fois méthodologiques et algorithmiques, à portée générale, mais également centrées sur l’application<br>This doctoral project aims at improving an automatic sleep staging system by taking into account inter-and-intra-individual variabilities, the latter having adversary effects on the classification. We focus on the detection of Rapid-Eye Movement periods during sleep. The core of our research is transfer learning and the selection of suitable detector(s) among a set, allowing the individualisation of the analysis by the exploitation of the observed data properties. We focus on the application of kernel alignment methods, firstly through the use of kernel-target alignment, studied here in a dual way, i.e. the kernel is fixed and the criterion is optimised with respect to the sought target labels. In a second step, we introduced kernel-cross alignment, allowing to take more efficiently advantage of the information contained in the training data. The ideas developed in the framework of this work have been extended to automatically selecting one or more efficient training sets for a given test set. The contributions of this work are both methodological and algorithmic, general in scope, but also focused on the application

L'origine physiologique de certains signaux leur donne des caractéristiques complexes difficiles à interpréter. L'il expert de l'operateur humain peut interpréter tel ou tel signal, non sans se tromper dans son jugement de temps à autre. En effet, la reconnaissance de forme de signaux electrophysiologiques par l'operateur humain, puis la décision restent très subjectives et peuvent varier d'un operateur à un autre. Ce travail a donc, pour objectif de présenter une approche méthodologique globale au problème de traitement automatique des signaux electrophysiologiques, autour d'une instrumentation pour la reconnaissance automatique, temps réel, des différents stades de sommeil et de veille chez le rat à partir du traitement d'un signal electroencephalographique cortical: à partir d'un enregistrement du signal EEG, reconnu par un expert, on a élaboré des représentations-modèles des différents stades auxquelles on a associé des procédures de reconnaissance de forme en temps réel.

Cette étude s’inscrit dans les travaux de recherche visant à expliquer au moyen de l’utilisation de l’analyse spectrale, les mécanismes physiologiques qui sous-tendent la variabilité cardiaque. Dans une première étude, nous avons observé les caractéristiques de la variabilité cardiaque chez des sujets âgés de 11 à 59 ans au cours de leur sommeil. Ces enregistrements nous ont permis d’identifier les phases de sommeil lent profond et de mesurer la variabilité cardiaque dans des conditions spontanées reproductibles. Les résultats de cette étude nous ont conduits à nous interroger sur la possibilité d’obtenir une estimation de la fréquence cardiaque intrinsèque (FCI) à partir d’une analyse spectrale des périodes RR mesurées au cours d’un test d’effort incrémenté. Cette estimation serait le moyen de s’extraire des outils pharmacologiques nécessaires actuellement pour mesurer la FCI. Lors d’un exercice physique le contrôle autonome cardiaque est modifié afin de permettre l’augmentation de la FC (retrait vagal dans un premier temps puis activation sympathique). La composante spectrale en hautes fréquences est un indicateur de l’activation du nœud sinusal par le système nerveux parasympathique. La chute brutale de cette composante permet de visualiser le moment d’occurrence du retrait vagal complet. L’identification de ce moment précis nous a été rendue possible par l’utilisation de la méthode temps fréquence de «Pseudo Wigner Ville Lissée» à partir des programmes mis au point par l’INRIA. Cette méthode donne une valeur instantanée de la puissance spectrale en HF. Nous nous sommes alors attachés à mettre au point un protocole d’exercices visant à identifier la fréquence cardiaque au moment où la variabilité cardiaque en haute fréquence est la plus basse (FC@HFmin pour fréquence cardiaque à la puissance spectrale minimale en haute fréquence). Cette composante représente le moment où le cœur est soumis au minimum d’influences du système nerveux autonome. Elle peut par conséquent représenter une estimation plausible de la FCI. C’est sur ergocycle qu’il est apparu le plus facile de déterminer FC@HFmin. Dans deux études, nous avons ensuite constaté que la différence FC@HFmin – FC de repos est corrélée à la composante spectrale en HF. FC@HFmin diminue aussi avec l’âge et est proche des valeurs de la FCI publiées dans la littérature. Enfin, dans une dernière étude, nous avons observé que suite à trois mois d’entrainement de «rugby à toucher», FC@HFmin diminue chez une population identifiée comme sédentaire au début de l’expérimentation. En conclusion, nous pouvons avancer que l’exercice physique incrémenté combiné à une analyse spectrale instantanée des périodes RR permet d’accéder à une estimation FCI<br>This study is part of works about understanding of cardiovascular autonomic control mechanisms using heart rate variability (HRV) analysis. In a first study, we observed HRV from a whole overnight RR periods recordings in order to compare subject from eleven to fifty-nine years old. These recordings allowed to identify Slow Wave Sleep and to compute HRV during spontaneous and reproducible conditions. To explain our results, we estimated the intrinsic heart rate (IHR) from time frequency analysis of RR periods during an incremental exercise test. This method allows avoiding classical pharmacological use to measure IHR. During an incremental exercise test, cardiac autonomic control changes with vagal withdrawal at the beginning and next, sympathetic activation. High Frequency instantaneous spectral component (HF) is linked to vagal withdrawal from the sinus node. The drop of this component at the beginning of exercise allows us to visualize the moment of maximal vagal withdrawal. The Smooth Pseudo Wigner Ville time – frequency analysis (INRIA, France) was used to compute the instantaneous HF power of HRV. Our works aimed to build an exercise test to identify the heart rate at minimal HF power (HR@HFmin). At this rate, the heart is under minimal autonomic control: complete vagal withdrawal combined with a weak sympathetic control. Therefore, it might provide an estimation of IHR. After the identification of this parameter, we observed that the difference between HR@HFmin and resting heart rate was correlated to HF component of HRV. Moreover, HR@HFmin decreased with aging and was close to IHR values found in previous publications. In a last study, we found that HR@HFmin decreased in a sedentary population after three month of “Touch-Rugby” training. To conclude, time frequency analysis of RR recordings obtained during an incremental exercise test seems to provide IHR detection