A robust classifier for the automatic detection of transient events in sleep EEG

Abstract

O sono é um estado de descanso que desempenha um papel essencial na vida de muitos seres vivos, inclusive humanos. A actividade do cérebro durante o sono aumenta, o cérebro é ativo e responde aos estímulos externos como um buffer com respostas rápidas e flexíveis, gerando fases de sono. Esta macroestructura do sono descreve as diferentes fases do sono e é caracterizada com base nos diferentes ritmos do eletroencefalograma (EEG). Os eventos transitórios também são uma característica importante para caracterizar o EEG do sono.Nesta tese, propõe-se um classificador robusto para a detecção desses eventos transitórios, especificamente arousals e complexos K. Os arousals são fenômenos periódicos que perturbam o sono e os complexos K são ondas padronizadas estereotipadas do EEG humano. O processo de classificação visual desses dois eventos é usado para inspecionar a qualidade e a fragmentação do sono e ajudar na classificação das fases do sono.Para remover o ruído dos sinais, foram utilizados dois detectores de artefatos diferentes, a primeira análise de entropia com a tecnica Multisclale entropy e a segunda utilizou a análise espectral de potência do sinal de EEG. Em seguida, a romação da interferência de ECG foi também aplicada aos sinais. Para detectar arousals, duas técnicas foram comparadas: técnica de Spectrograma e Multitaper. A detecção de complexos K foi testada usando filtros matched. Esses métodos foram validados em um conjunto de dados de 40 indivíduos de dois bancos de dados diferentes: MESA e MrOS da National Sleep Research Resource. Os algoritmos foram testados alcançando AUC de 0.804 para o espectrograma, 0.853 para a técnica Multitaper na classificação dos arousals. Para a detecção de complexos K, os filtros correspondentes foram testados apenas em um único sujeito que continha a classificação visual, obtendo um AUC de 0.814. A análise qualitativa da detecção do complexo K no conjunto de dados completo mostrou resultados encorajadores em termos de distribuição específica da fase do sono.

Sleep is an essential resting state that plays an essential role in the life of many living beings, including humans. The activity of the brain during sleep is increased, the brain is active and responds to external stimuli as a buffer with quick and flexible responses creating sleep stages. This macrostructure of sleep describes the different sleep stages and it is characterized based on the the different rhythms of the electroencephalogram (EEG). Transient events are also an important feature to characterize sleep EEG.In this thesis it is proposed a robust classifier for the detection of these transient events, specifically arousals and K-complexes. Arousals are periodic phenomena that disrupt sleep and K-complexes are a stereotyped pattern waves of the human EEG. The visual scoring of these two events is used to inspect both the quality and fragmentation of sleep and to aid in the scoring of sleep stages.In order to remove the noise from the signals two different artifact detectors were used, the first applied multiscale entropy analysis and the second used the EEG power spectral analysis. Then a ECG interference removal was also applied to the signals. To detect arousals two techniques were compared: Spectrogram and Multitaper technique. The K-complexes detection was attempted using matched filters. These methods were validated on a dataset of 40 subjects from two different databases: MESA and MrOS from the National Sleep Research Resource. The algorithms were tested achieving AUC of 0.804 for the spectrogram, 0.853 for the Multitaper technique in the classification of the arousals. For the detection of K-complexes, the matched filters was tested only on a single subject with the visual scoring, obtaining an AUC of x. Qualitative analysis of K complex detection on the full dataset showed encouraging results in terms of sleep stage-specific distribution.