Automatic sleep staging based on classifícation methods

Abstract

During the sleep the brain generates different types of waves depending on the brain stage. To characterise these brain states, the two structures exist: the macrostructure and microstructure. The macrostructure is composed by five sleep stages (designated by N3, N2, N1, REM, W) whose classification is based on the present wave types. The microstructure is characterised by transitional states and the Cyclic Alternating Pattern (CAP) is an example of it. CAP is a periodic cerebral activity prevalent during NREM sleep-stage and composed by A-phases (A1, A2 or A3) and B-phases. The visual scoring of macro- and microstructure are important elements for the diagnosis and prognosis of some diseases. Although this task of both is a time consuming process, which demands automatic scoring. This thesis proposes different classifications methods (discriminate classifiers, kNN and SVM) to detect automatically the sleep stages and A-phases. The classifiers are validated with a dataset that comprise 30 patients. For sleep stages the better model is SVM which obtained an accuracy off 72%, the sensitivities for the each sleep stage are 62%, 54%, 73%, 83% and 69% for W, N1, N2, N3 and REM stages. Regarding the CAP staging the best classifier method is also SVM with an accuracy of 71%, the sensitivities are 76%, 58%, 44% and 24% for B, A1, A2 and A3, respectively. The prediction of A-phases with the SVM yield the best results to date.

Durante o sono o c´erebro gera diferentes tipos de ondas, dependo do estado em que se encontra. Para caracterizar estes estados cerebrais existem duas estruturas: a macroestrutura e microestrutura. A macroestrutura ´e composta por cinco diferentes estados de sono (designados por N3, N2, N1, REM, W), cuja classifica¸c˜ao ´e baseada de acordo com o tipo de onda gerado. A microestrutura ´e caracterizada por estados transicionais, sendo um exemplo o Padr˜ao C´ıclico Alternante (CAP). O CAP ´e uma actividade cerebral peri´odica prevalente durando o estado de sono NREM e composto por fases A (A1, A2 e A3) e fases B. O estadiamento visual da macro e microestrutura s˜ao importante para o diagn´ostico e progn´ostico de algumas doen¸cas. Contudo, esta tarefa ´e um processo bastante demorado para ambas as estruturas, o que gera uma necessidade de um estadiamento autom´atico. Esta tese prop˜oes diferentes m´etodos de classifica¸c˜ao (classificadores discriminantes, k-NN e SVM) para detectar automaticamente os diferentes estados de sono e as fases A. Estes classificadores s˜ao validados com uma amostra composta por 30 pacientes. Para os estados de sono o melhor modelo ´e o SVM que obt´em uma taxa de sucesso de 72% e de sensibilidades para cada estado de sono W, N1, N2, N3 e REM de 62%, 54%, 73%, 83% e 69%, respectivamente. Quanto ao estadiamento do CAP o melhor m´etodo de classifica¸c˜ao ´e tamb´em o SVM com uma taxa de sucesso de 71% e sensibilidades de 76%, 58%, 44% e 24% para as fases B, A1, A2 e A3. As sensibilidades obtidas por este ´ultimo m´etodo s˜ao muito acima das encontradas na literatura at´e `a data.