Сон: ЭЭГ диагностика нарушений сна

Сон и его фазы

➥Похожие статьи: Электроэнцефалография сна и ЭЭГ сна

Сон – это сложное состояние, которое циклически сменяется бодрствованием и является фундаментальным для умственного и физического здоровья. Характеризуется сменой фаз БДГ (быстрого движения глаз) и медленного сна.

Медленный сон – это состояние с минимальным расходом энергии и двигательной активностью, в течение которого сердечная, дыхательная и терморегуляторная система управляется автономной нервной системой на более низком и более стабильном уровне, по сравнению с бодрствованием. Для медленного сна типично более синхронизированное ЭЭГ – большинство волн имеет низкую частоту и высокие значения потенциала (амплитуды), в отличие от высокочастотных волн с низкой амплитудой, свойственных ЭЭГ  бодрствования1.

Во время быстрого сна (БДГ) теряется контроль над конечностями (мышечная атония), сновидения становятся ярче. Кроме того, в фазе БДГ автономная деятельность крайне нестабильная и приводит к быстрому росту частоты сердцебиения и давления, дыхание становится неровным, а терморегуляция приостанавливается. Во время фазы БДГ ЭЭГ рассинхронизируется.

Стадии сна по ЭЭГ

Для людей структура медленного сна состоит из четырех стадий согласно классификации R&K2 и трех, согласно AASM3. Классификации основаны на степени синхронизации ЭЭГ.

Во время сна стадии появляются в следующем порядке:

  • Первая стадия наступает сразу после засыпания. Уменьшается интенсивность альфа-волн, появляются тэта-ритм (4–7 Гц).
  • Начало второй стадии характеризуется появлением на ЭЭГ двух типичных признаков: К-комплексов и сонных веретен.
  • Более глубокие стадии характеризуются наличием дельта ритма (2 Гц) и классифицируются как третья, если дельта-колебания занимают менее 50 % и четвертая – если дельта-колебания составляют более 50 %. Такая медленноволновая активность является макроскопическим результатом клеточного феномена, называемого «медленные осцилляции», в течение которого корковые нейроны колеблются между двумя состояниями: гиперполяризации и высокочастотного (40 Гц) разряда. «Медленные осцилляции» – это бегущие волны, берущие начало в лобной коре головного мозга и вовлекающие практически все области коры4.

При нормальном цикле сна за четвертой стадией идет третья и более легкие, пока не наступает фаза БДГ. После фазы быстроволнового сна цикл начинается заново, с первой стадии.

Для человека полный цикл длится 90–100 минут. Стандартный сон состоит из 4-5 таких циклов.

Патологии сна

В состоянии сна болезни и патологии не только выявляются более отчетливо, некоторые отклонения можно обнаружить только в состоянии сна. Более того, для самого состояния сна свойственны некоторые отклонения,отличающиеся тяжестью переноса и эффектом на организм.

На различных этапах развития науки и медицины существовали совершенно разные классификации расстройств сна. На данный момент общепринятой является классификация ICSD-3 (International Classification of Sleep Disorders). Классификация представлена в 2014 г. Американской Академией Медицины Сна (American Academy of Sleep Medicine)5. Данная классификация разработана преимущественно для диагностических и исследовательских целей. В отличие от ранних классификаций базируется не только на симптоматике, но и на патофизиологии6.

ICSD-3 собирает все расстройства сна в шесть разделов7:

  1. Инсомнии (бессонницы);
  2. Расстройства дыхания во сне;
  3. Гиперсомнии;
  4. Расстройства цикла «сон – бодрствование»;
  5. Парасомнии;
  6. Расстройства движений во сне.

Самыми распространенными расстройствами сна по версиям различных изданий и клиник891011  являются:

  1. Инсомническое расстройство;
  2. Синдром обструктивного апноэ сна;
  3. Синдром беспокойных ног;
  4. Нарколепсия (I и II типов);
  5. Храп;
  6. Гиповентиляция во сне;
  7. Бруксизм;
  8. Кошмары и ночные страхи;
  9. Снохождение и сноговорение;
  10. Расстройство поведения в быстром сне.

Электроэнцефалограмма в состоянии сна

На самом деле, сон состоит из нескольких отдельных процессов, различных количественно и качественно. Каждый тип сна имеет свои собственные характеристики и регуляторные механизмы.

Из-за того, что сон – это мозговой процесс, техника электроэнцефалографии была приспособлена для записи мозговой активности и исследования сна практически сразу же после открытия (начало 20 века).

С точки зрения биологии, ЭЭГ – это результирующий макропроцесс, набор электрических потенциалов областей коры головного мозга, суммируемый из потенциалов отдельных нейронов. К слову, порядок числа нейронов в головном мозге – десятки миллиардов. Потенциал, снимаемый электродом с участка скальпа, зависит от числа вовлеченных в биологические процессы нейронов, степени их синхронизации, от расположения активных участков мозга.

Амплитуда (снимаемая разность потенциалов), по сути, не имеет никакого конкретного смысла для анализа. Ее значение является стохастическим. По значению в определенный момент практически невозможно получить какую-либо информацию. Важную информацию можно определить именно из поведения потенциала с течением времени. Задержка или смена амплитуды волны позволяет сделать некоторые выводы о природе процессов, происходящих в организме. Уже существуют некоторые шаблоны перепадов потенциала (К-комплекс, сонное веретено, V-волна, CAP рисунок, различные вспышки и т. д.), по времени и частоте появления которых вполне надежно определяются фазы сна.

Точно так же, некоторую информацию несет частота смены результирующего потенциала. Спектральный анализ определенных участков ЭЭГ позволяет установить стадию сна, участки приступов и других отклонений.

Методика регистрации ЭЭГ

В традиционной записи ЭЭГ сна использовались аналоговые усилители с высоким коэффициентом усиления, управляющие чернильной ручкой. Ручка находится в контакте с бумагой, перемещаемой механическим приводом.

Усилители умножают разность потенциалов между двумя золотыми или серебряными дисковыми электродами, прикрепленными к поверхности кожи или скальпу.

В настоящее время современные электроэнцефалографы создаются на базе компьютеров. Электроды, отводящие потенциалы, представляют собой металлические пластины или стержни различной формы с диаметром контактной поверхности 5-10 мм. Усиленные потенциалы преобразуют в цифровую форму, регистрация ЭЭГ непрерывно отображается на мониторе и одновременно записывается.

Расположение электродов варьировалось в каждой лаборатории, пока не была создана стандартизированная технология.

До сих пор используется стандартная технология расположения электродов по схеме 10-2012(Рис. ):

Схема монтажа электродов 10-20 для ЭЭГ
Схема монтажа электродов 10-20 для ЭЭГ

Самая известная технология анализа сна была представлена Rechtschaffen и Kales в 13. R&K предложили проводить монополярную запись из центрального вывода ЭЭГ. Разность потенциалов, полученная от электрода на области С3 или С4 относительно нулевого потенциала мочки уха, отражает электрическую активность центральной доли мозга на коже головы.

В настоящее время дли записи сна рекомендуется использование AASM системы монтажа ЭЭГ электродов. Используется биполярная регистрация в областях F4-А1, C4-A1 и O2-A1. Так же одобрена регистрация по схемам Fz-Cz, Cz-Oz14.

ЭЭГ активности, ритмы и другие компоненты

Активность ЭЭГ состоит из непрерывной фоновой активности и особых событий, которые выделяются из фона. Так как ЭЭГ – это колебания электрических потенциалов, один из способов классификации – по частоте.

Волны могут существовать совместно (например, альфа и дельта ритм), а могут формировать фоновую активность, в то время, как некоторые другие выделяются из фона (например, К-комплексы). Некоторые комбинации довольно распространены (волны со смешанной частотой и с низкой амплитудой), в то время как другие редки (тэта-ритмы, сонные веретена).

Волны могут возникать всплесками или быть постоянными, возникать постепенно.

Некоторые волны специфичны для сна, некоторые нет.

Под понятием “ритм” на ЭЭГ подразумевается электрическая активность (волна или серия волн ЭЭГ), соответствующая определённому состоянию мозга. При описании ритма указывается его частота, типичная для появления область мозга, амплитуда и некоторые характерные черты его изменений во времени при изменениях функциональной активности мозга:

  • α (альфа-ритм): ритм с частотой 8–13 Гц и амплитудой до 100 мкВ, связанный со спокойным бодрствованием, когда глаза закрыты. Альфа-активность наиболее заметна в затылочных отведениях. При повышении уровня функциональной активности мозга (напряжённое внимание, страх) амплитуда α-ритма уменьшается. Всплески альфа-активности более трех секунд используются для различения пробуждения от БДГ-сна. Когда люди испытывают боль альфа-ритм может быть смешан с более медленноволновым.
  • β (бета-ритм): ритм с частотой >13 Гц и амплитудой амплитуда до 25 мкВ, имеющий место во время тревожного бодрствования и в меньшей степени во времени сна. Иногда во время сна он может появиться в виде всплесков у другой активности. Известно, что увеличение бета-активности во время сна свойственно пациентам с депрессивными расстройствами.
  • θ (тета-ритм): ритм с частотой 4–8 Гц и амплитудой менее 40 мкВ. Тэта-активность, как правило наиболее заметна в центральных и височных отведениях. Особый вид такого происходит во время БДГ-сна и называется «пилообразный тэта-ритм», по внешнему виду напоминающий лезвие пилы.
  • δ (дельта-ритм): высокоамплитудный ритм с частотой менее 3.5 Гц. Дельта-ритм дна спектра (меньше 2 Гц) часто называют медленными волнами.
  • μ (мю-ритм): активность с частотой 8-13 Гц и амплитудой до 50 мкВ. Параметры μ-ритма аналогичны таковым нормального α-ритма, но μ-ритм отличается от последнего физиологическими свойствами и топографией. Ритм ассиметричен, скруглен в максимуме и заострен у минимума, волны аркообразные.

Доброкачественные эпилептиформные компоненты сна BETS (небольшие острые шипы SSS): пики очень короткой длительности и низкой амплитуды, за которыми часто следует небольшая тэта-волна, возникающие в височных областях в состоянии дремоты или поверхностного сна.
Длительность и амплитуда колебаний в пределах 50 мc и 50 мкВ соответственно.

Позитивный затылочный острый компонент сна POSTS: Острый компонент с максимумом в затылочных отделах, возникающий во время сна. Может быть одиночным или повторяющимся. Амплитуда варьируется, но, как правило, менее 50 мкВ. POSTS возникают обычно во время дремоты, стадий сна 1 и 2. Регистрируются сериями по 4-5 в секунду.

V-волна: вертексный острый компонент (вертексная острая волна). Это острый потенциал, возникающий спонтанно во время сна или в ответ на сенсорный стимул во время сна или бодрствования. Может быть одиночным или повторяющимся. Амплитуда в целом редко превышает 250 мкВ.

Вертексные волны типично возникают при засыпании, в стадиях 1 и 2 медленного сна.

K-комплекс: разряд длительностью 0.5 с и амплитудой более 100 мкВ, состоящий в основном из высокоамплитудной негативной медленной волны, за которой следует меньшая позитивная медленная волна. К-комплекс часто возникает в паре с сонными веретенами. К-комплексы возникают во время NREM-сна, спонтанно или в ответ на неожиданные сенсорные стимулы. Иногда за К-комплексом следует разряд альфа- или тэта-колебаний, называют K-альфа.

Веретено сна: 0.5с вспышка волны частотой 11-15 Гц (как правило, 12-14 Гц), амплитудой более 50мкВ, обычно диффузная, но с большей амплитудой в центральных областях, возникающая во время сна. Являются результатом таламокортикального разряда15.

Особенности ЭЭГ на различных стадиях сна

У большинства людей (но не всех) наблюдается альфа-активность, когда они спокойно сидят в состоянии бодрствования с закрытыми глазами.

Затухание происходит при открытии глаз или напряженной умственной деятельности. Альфа-активность затухает, как только человек засыпает. Перед исчезновением наблюдается небольшой всплеск потенциала. Альфа-активность заменяется тэта- или смешанным ритмом. В это время могут наблюдаться V-волны. После закрепления сна появляются сонные веретена и К-комплексы.

Более 50% времени сна занимают низкоамплитудные волны смешанных частот, прерываемые на веретена, К-комплексы или редкие дельта-волны. Во время появления веретена вероятность пробуждения выше. К-комплекс так же может быть предвестником пробуждения. Вероятность пробуждения в течение 2 минут после появления К-комплекса выше, чем 2 минуты до него.

Именно смена типов и интенсивности ритмов является основанием для деления сна на стадии. Определение стадий сна проводится по специальным правилам, способным определить, к какой категории сна относится текущий промежуток времени. Такие промежутки называется «эпохами».

Бодрствование. Стадия бодрствования устанавливается по наличию 15 секундной эпохи альфа-активности. Для людей, у которых альфа-активность не проявляется, критерием является наличие всплесков высокочастотной бета-активности.

Медленный сон. Первая стадия медленного сна устанавливается по отсутствию альфа-активности в течение 15 секунд и отсутствию К-комплексов, веретен. Для людей с отсутствующей альфа-активностью определение первой стадии сна является проблематичным. У таких людей ЭЭГ определяют по V-волнам.

Вторая стадия устанавливается на ЭЭГ по появлению на низкоамплитудном фоне с волнами различных частот К-комплексов и сонных веретен. Критерием так же является появление дельта-волн (в т. ч. медленных) с продолжительностью менее 6 секунд и амплитудой более 75 мкВ.

В течение первого часа-полтора, у большинства людей постепенно увеличивается активность высокоамплитудных дельта-ритмов до тех пор, пока полностью не превозобладает.

Третья и четвертая стадия (которая в современных методиках определения сна объединяется в одну) устанавливается, когда появляются эпохи дельта-волн длительностью более 6 с и амплитудой более 75 мкВ с префронтальной коры. Для увеличения чувствительности с этой области AASM монтаж рекомендует использование биполярной регистрации Fz–Cz16.

Возбуждаемость подавлена, люди часто не запоминают факта пробуждения в этой стадии.

Быстрый сон. Стадия быстрого сна (БДГ-быстрого движения глаз) устанавливается по появлению волн характера первой стадии медленного сна (низкая амплитуда, смешанные частоты) с сопутствующей пилообразной тэта-активностью. Движение глаз наблюдается не на каждой эпохе этой стадии.
Стадия длится до тех пор, пока не наблюдаются признаки состояния бодрствования, 3 и 4 стадии сна, первой стадии сна или К-комплексов и веретен сна в течение 15 секунд без движений глазами.

ЭЭГ активность при стадиях сна и бодрствовании
Таблица 1 – ЭЭГ активность при стадиях сна и бодрствовании

Архитектура сна:

  1. Вход в состояние сна через первую или вторую стадию медленного сна за 5-15 минут;
  2. Первая стадия медленного сна занимает менее 5% от общего времени сна. Присутствует только в качестве перехода между сном и бодрствованием;
  3. Вторая стадия медленного сна занимает 50% времени сна;
  4. Третья и четвертая стадия занимают 13-20%, большая их часть в первой трети ночи;
  5. Стадия быстрого сна занимает 20-25% общего времени сна (у детей больше), большая часть во второй половине ночи, появляется 4-6 раз за ночь, каждые 90 минут.

Обработка ЭЭГ сигнала

Любой анализ электроэнцефалограммы состоит из следующих стадий:
1. Оцифровка сигналов электрической активности мозга;
2. Предобработка (фильтрация от шумов, удаление артефактов);
3. Выделение характерных признаков;
3.1. (Выбор характерных признаков);
4. Классификация полученных признаков.

Разберем некоторые наиболее полезные методы.

Для устранения физических артефактов (помехи от электрических полей и т. п.) и физиологических (активность мышц, движения глаз и т. д.) применяются:

  • Фильтрация – использование фильтров высоких и нижних частот (ритмы во время сна имеют диапазон 5-40 Гц). Для ЭЭГ сигнала наилучшим образом подойдет дискретный фильтр, так как компьютерное представление ЭЭГ по своей природе дискретно.
    Например, фильтр с конечной импульсной характеристикой (FIR фильтр) имеет линейную фазовую характеристику в полосе пропускания, что является предпочтительным. Кроме того, такие фильтры, в отличие от IIR фильтров не меняют морфологию сигнала.
  • Сглаживание обычно применяется как эквивалент фильтрации для удаления из сигналов и их спектров высокочастотных колебаний (шумов, наводок). Наиболее эффективен метод параболического сглаживания скользящим средним по трем точкам.
  • Линейное разложение сигнала ЭЭГ на составляющие компоненты, выделение артефакта отдельным компонентом. К таким методам относятся анализ главных компонентов и анализ независимых компонентов. Такие артефакты, как изменение ориентации электрической оси глаза вследствие движения глазных яблок имеют следующую особенность: такие артефакты распределены пространственно, максимальная амплитуда артефактов наблюдается в лобных отведениях и уменьшается по направлению к затылочным.

Для удаления артефактов, обусловленных непроизвольными движениями глаз, широкого применяется анализ главных компонентов (PCA). Данный метод позволяет уменьшить размерность данных без потери информации, убрать шум, взвесить данные и визуализировать их. Кроме того, для устранения артефактов используется анализ независимых компонент – метод декомпозиции ЭЭГ сигнала на максимально независимые паттерны активности, как правило, связанные с различными областями коры головного мозга или иными источниками сигналов.

Для того, чтобы детектировать микроструктуры сна (веретена, К-комплексы, альфа вспышки) необходимо получить спектральную и относящуюся ко времени информацию. Спектральный анализ возможно провести с использованием преобразования Фурье (без отношения ко времени) и дискретного вейвлет-преобразования (ДВП) (динамика изменения гармонических составляющих сигнала). При этом использование ДВП для разложения ЭЭГ на отдельные ритмы не рекомендуется в силу появления амплитудных искажений с высокой погрешностью и предлагается Фурье-фильтрация в качестве альтернативы17.

Характерные поведенческие признаки на ЭЭГ могут давать пространственную (связанную с областью возникновения характерного сигнала в мозге), временную (динамика ЭЭГ параметров) и частотную (мощность отдельных частотных диапазонов)18.

Для задач выделения характерных признаков различного поведения используются четыре типа алгоритмов: временные, нелинейные, частотные и энтропийные. Выбор полезных (информативных) признаков позволяет уменьшить расчётное время и улучшить качество классификации, ведь некоторые признаки могут быть избыточными или вредными. Самым эффективным является алгоритм выбора по критерию Фишера. Кроме того, близкие показатели эффективности показывают алгоритмы Relief, минимальной избыточности – максимальной релевантности (mRMR), корреляционный, Стьюдента (t-test). Достигнуть наибольшей эффективности возможно одновременным использованием указанных алгоритмов192021.

Для выделения конкретных областей данных необходимо использовать пространственный фильтр, который минимизирует мощность сигнала во всех областях кроме области интереса, например, Null-beamformer.

Кросс-спектральные характеристики предназначены для оценки различных аспектов связи двух сигналов ЭЭГ, регистрируемых с двух отведений. Кросс-спектр двух процессов вычисляется как произведение одного спектра спектр другого в его комплексно сопряженной форме.

Практически важным показателем ЭЭГ является оценка взаимосвязи, взаимовлияния, взаимодействия процессов в парах отведений. Для этого используются различные показатели синхронности ЭЭГ, наиболее известным из которых является функция когерентности. Когерентность отражает линейную связь двух процессов в частотной области аналогично тому, как обычный коэффициент корреляции отражает степень линейной взаимосвязи двух процессов во временной области.

В качестве альтернативы когерентности наиболее эффективным в плане чувствительности к различиям является корреляция огибающих ЭЭГ.

Поскольку ЭЭГ суммарно отражает изменение постсинаптических потенциалов, корреляция огибающих оценивает степень синхронности изменении в сравниваемых парах отведений22.

Алгоритм классификации расстройств

Алгоритм классификации расстройств по ЭЭГ
Алгоритм классификации расстройств по ЭЭГ

Классификация расстройств сна производилась по следующему алгоритму (Рис.):

  1. ЭЭГ файл формата *.EDF(+) (де-факто стандарт для электроэнцефалографических и полисомнографических записей) делится на образцы длинной 30 с;
  2. В каждом образце выделается ЭЭГ канал;
  3. Для каждого канала образца высчитываются характеристические признаки, по которым будет проводиться классификация;
  4. Полученные соответствующие признаки каналов усредняются в общее значение для образца (30 с отрезка). Полученный массив используется как входные данные нейросети;
  5. Признаки каждого образца подаются на вход нейросети.В результате каждому отдельному образцу нейросеть присваивает один из классифицируемых диагнозов;
  6. В полученном наборе классов образцов вычисляется доля  каждого класса. Класс с наибольшей долей принимается за диагноз записи. Его доля отражает вероятность, с которой диагноз является верным.

Определение характеристик и признаков патологий сна

На данный момент основными диагностическими критериями расстройств сна являются жалобы пациентов касательно качества их жизни.

При этом лишь для малой части расстройств критериями служат полисомнографические (ПСГ) характеристики, среди которых значимыми являются данные электромиографии и дыхательные события23.

Электроэнцефалографические же характеристики не используются вовсе.

Определение характеристик

Было отобрано 51 исследование, содержащее упоминание об изменении ЭЭГ характеристик у пациентов с расстройствами сна по сравнению со здоровыми. Для инсомнического расстройства отобрано 11 работ, для нарколепсии – 14, для NFLE – 11, для PLMD – 8, для RSBD – 7.

Было найдено 20 уникальных характеристик, большая часть из которых так или иначе фигурирует в каждом заболевании.

По характеру информации характеристики были поделены на две категории: спектральные – отражающие изменения частотных характеристик и структурные – отражающие изменения архитектуры и микроструктуры сна.
Характеристик, описывающих изменения другого рода (напр. пространственного) замечено не было.

Одновременное проявление

Для выбранных заболеваний можно отметить совместное проявление характеристик в ЭЭГ-сигнале:

  • У пациентов с бессонницей наблюдается PLMS;
  • У пациентов с нарколепсией часто наблюдаются не одна болезнь, а сразу несколько: апноэ, PLMS2425, RSBD и парасомнии2627;
  • У пациентов с NFLE часто наблюдается существование PLMS, и парасомнии28;
  • PLMS присутствует вместе с большим многообразием заболеваний сна: бессонница, нарколепсия, апноэ29, RSBD3031, в том числе у пациентов с эпилепсией32.

Неверное диагностирование

Инсомническое расстройство путают с синдромом задержки фазы сна (Delayed Sleep-Wake Phase Disorder), расстройством цикла «сон-бодрствование» (Circadian Sleep-Wake Disorder).
NFLE путают с кошмарами, ночными страхами, парасомниями, апноэ сна33 и различными психиатрическими расстройствами.

Анализ характеристик

Итог сравнительного анализа может быть представлен (систематизирован) в Таблице 2. Пустые ячейки соответствуют отсутствию информации.

Особенности ЭЭГ основных расстройств сна
Таблица 2 – Особенности ЭЭГ основных расстройств сна

При любом заболевании увеличивается доля первой стадии сна, число пробуждений и частота смены фаз сна.

У пациентов с нарколепсией увеличивается длительность полного цикла сна.

NFLE возможно отличить от парасомний по доле медленного сна, REM сна, частоте сонных веретен.

Даже отсутствие проявления каких-либо признаков у заболевания может являться критерием. Например, для инсомнического расстройства REM сон не имеет никаких отклонений, в то время как для остальных заболеваний его признаки каким-либо образом меняются.
Так как не существует параметров, однозначно определяющих какое-либо расстройство, для обучения алгоритма желательно анализировать сразу группу характеристик, представляющих в таком случае некий отпечаток заболевания.

Определение признаков

В ходе анализа литературы были обнаружены 32 признака, которые могут отражать характеристики, найденные ранее. Данные представлены в Таблице 3.

Таблица 1. Признаки ЭЭГ характеристик расстройств сна
№НазваниеФормулаСсылка
1Частотная энтропияЧастотная энтропия343536
2Частота спектральной границыЧастота спектральной границы3738
3Энтропия амплитудЭнтропия амплитуд3940
4Первый спектральный моментПервый спектральный момент41
5Спектральная центроидаСпектральная центроида4243
6Частотная ровностьЧастотная ровность44
7Энергия сигналаЭнергия сигнала45
8Оператор энергии Тигера-КайзераОператор энергии Тигера-Кайзера4647
9-13Относительные спектральные мощности δ, θ, ɑ, σ, β ритмов484950
14-18Отношения спектральных мощностей:σ/θ, σ/lowɑ, σ/β, ɑ/δ+θ, θ/ɑ+δ515253
Гармонические параметры545556
19Центральная частотаЦентральная частота
20Полоса пропусканияПолоса пропускания
21Значение на центральной частотеЗначение на центральной частоте
Параметры Юрта5758
22Активность ЮртаАктивность Юрта
23Мобильность ЮртаМобильность Юрта
24Сложность ЮртаСложность Юрта
Анализ энергетических спектров59
25Спектральная плотность мощностиСпектральная плотность мощности
26Спектральная амплитудаСпектральная амплитуда
Амплитудно-периодометрический анализ6061
27Выпрямленная амплитудаВыпрямленная амплитуда
28Время в ритмеВремя в ритме
Другие признаки
29Средняя спектральная частота62
30Плотность сонных веретен63
31Коэффициенты вейвлет (wavelet) преобразования64
32Коэффициенты авторегрессионной модели6566

Признаки 1, 2, 8, 14-18, 30, 31, 32 используются для индикации сонных веретен; признаки 1-4, 9-24, 29, 31-32 для определения стадий сна; признаки 1, 19-24 для детектирования приступов апноэ во сне; признаки 3, 7, 9-13, 29, 31 для индикации микропробуждений (arousals); признаки 9-13, 29, 31для определения времени засыпания. Кроме того, признак 31 (wavelet-коэффициенты) использовался для индикации участков CAP и обнаружения К-комплексов.

В рамках данного исследования использовались признаки 1-24.

Отбор признаков

Найденные признаки были сформированы в группы, являющиеся входными данными нейронной сети. В ходе предварительных проверок пригодности признаков было обнаружено, что группа из спектральных мощностей основных четырех ритмов (δ, θ, ɑ, β) являются определяющими и вносят наибольший вклад в точность определения расстройств сна.
Для отбора самой эффективной группы использовалась нейросеть с топологией 10-10-6 и обучающей выборки для контроля: 3 файла с болезнью и 3 файла здоровых.

Точность определения расстройств для наборов признаков
Точность определения расстройств для наборов признаков

Было сформировано 23 группы признаков. Результаты оценки эффективности некоторых из них представлены на Рис.

Вероятность правильности определения заболеваний упала ниже 50% при использовании в качестве входных параметров групп, сформированных добавлением к основной группе одного из признаков 1-8, 19-20, 23 из Таблицы 2.

Группы, сформированные добавлением к основной группе признаков 22, 24 значимо ухудшили точность определения заболеваний.
Уменьшение точности при добавлении к основной группе признаков 14, 16, 18 составляет <1%.  Добавление к основной группе признаков 12, 15, 17 способствует повышению точности до 3%. Использование признаков 9-18 позволяет достигнуть максимальной точности. Данная группа признается самой эффективной в задаче распознавания выбранных расстройств сна нейронными сетями прямого распространения по электроэнцефалограмме.

Выбор оптимальной архитектуры нейросети

Выбор лучшей топологии проводился по 6 парам болезнь-здоровое ЭЭГ для обучения и 3 парам для контроля после 1000 эпох обучения. Результаты представлены на Рис.

Точность определения расстройства сна от архитектуры сети и длительностиобучения
Точность определения расстройства сна от архитектуры сети и длительности обучения

При выборе наиболее подходящей архитектуры важно смотреть на две характеристики: точность определения заболевания и расхождение точности между определением наличия и отсутствия болезни. Большое расхождение точностей свидетельствует о снижении способности к категоризации, когда нейросеть обучается только на один класс (одну последовательность входных данных) и не способна перестроить свою структуру на выдачу другого типа выходных данных. Такое же явление можно наблюдать и при переобучении.

На графике представлена зависимости точности определения наличия и отсутствия болезни от числа нейронов на слоях. Красными точками отмечены наиболее подходящие варианты топологий – с высокой точностью и низким ее расхождением в определении ЭЭГ здоровых и больных. Для обучения выбрана топология 6-4. При такой топологии у нейросети наилучшая способность к обобщению и категоризации. При увеличении числа нейронов на слоях упомянутые характеристики снижаются. Также, 8 нейронов оказалось недостаточно для обучения многослойного перцептрона 10 характеристикам болезней сна.

ЗАКЛЮЧЕНИЕ

В ходе работы были определены отличительные характеристики электроэнцефалограмм людей с расстройствами сна и признаки, по которым расстройства сна можно классифицировать искусственной нейронной сетью.

Самой эффективной архитектурой для нейронной сети с топологией многослойного перцептрона оказалась 6-4 (два слоя, 6 нейронов на первом, 4 на втором).

Достигнуты следующие показатели эффективности: точность 98% в определении расстройства поведения в быстром сне, 75% в определении инсомнического расстройства, 65% – расстройства периодического движения конечностями и 57% – нарколепсии (при малой обучающей выборке).

Использование указанного типа нейронной сети вместе с выбранными признаками не подходит для классификации ночной фронтальной лобной эпилепсии.

Разработанный в ходе исследовательской работы программный комплекс на данном этапе готов к использованию в дальнейших научных и диагностических целях и будет выложен в открытый доступ под лицензией свободного ПО.

Вопросы

-Какая программа была использована?

Footnotes

  1. Brown R. E. et al. Control of sleep and wakefulness //Physiological reviews. – 2012. – Т. 92. – №. 3. – С. 1087-1187.
  2. Sleep computing committee of the japanese society of sleep research society (JSSR): et al. Proposed supplements and amendments to ‘a manual of standardized terminology, techniques and scoring system for sleep stages of human subjects’, the Rechtschaffen & Kales (1968) standard //Psychiatry and clinical neurosciences. – 2001. – Т. 55. – №. 3. – С. 305-310.
  3. Duce B. et al. The AASM recommended and acceptable EEG montages are comparable for the staging of sleep and scoring of EEG arousals //Journal of clinicalsleep medicine: JCSM: official publication of the American Academy of Sleep Medicine. – 2014. – Т. 10. – №. 7. – С. 803.
  4. Massimini M. et al. The sleep slow oscillation as a traveling wave //Journal of Neuroscience. – 2004. – Т. 24. – №. 31. – С. 6862-6870.
  5. Sateia M. J. International classification of sleep disorders //Chest. – 2014. – Т. 146. – №. 5. – С. 1387-1394.
  6. Thorpy M. J. Classification of sleep disorders //Neurotherapeutics. – 2012.– Т. 9. – №. 4. – С. 687-701.
  7. Полуэктов М. Г., Марковина И. Ю. Перевод терминов третьей версииМеждународной классификации расстройств сна 2014 года с кодами МКБ-10//Эффективная фармакотерапия. – 2015. – №. 53. – С. 72-75.
  8. Wolkove N. et al. Sleep and aging: 1. Sleep disorders commonly found in older people //Canadian Medical Association Journal. – 2007. – Т. 176. – №. 9. – С.1299-1304.
  9. NCCDPHP – National Center for Chronic Disease and Prevention andHealth Promotion [Электронный ресурс] //Centers for Disease Control and Prevention. – Atlanta, 2018. – Режим доступа:  https://www.cdc.gov/chronicdisease/
  10. Ten Common Sleep Disorders [Электронный ресурс] // The Sleep Health Foundation. – Blacktown, 2011. – Режим доступа: http://sleephealthfoundation.org.au/pdfs/facts/Common Sleep Disorders.pdf
  11. Chokroverty S. et al. (ed.). Sleep and movement disorders. – Oxford University Press, 2012.
  12. JASPER H. H. The ten-twenty electrode system of the Intenational Federation //Electroenceph clin Neutro physiol. – 1958. – Т. 10. – С. 367-380.
  13. Sleep computing committee of the japanese society of sleep research society (JSSR): et al. Proposed supplements and amendments to ‘a manual of standardized terminology, techniques and scoring system for sleep stages of human subjects’, the Rechtschaffen & Kales (1968) standard //Psychiatry and clinical neurosciences. – 2001. – Т. 55. – №. 3. – С. 305-310.
  14. Duce B. et al. The AASM recommended and acceptable EEG montages are comparable for the staging of sleep and scoring of EEG arousals //Journal of clinical sleep medicine: JCSM: official publication of the American Academy of Sleep Medicine. – 2014. – Т. 10. – №. 7. – С. 803.
  15. Глоссарий ЭЭГ терминов Международной федерации клинической нейрофизиологии (IFCN) [Электронный ресурс]//Визуальная ЭЭГ. – Режим доступа: https://eeg-online.ru/glossary.htm
  16. Duce B. et al. The AASM recommended and acceptable EEG montages are comparable for the staging of sleep and scoring of EEG arousals //Journal of clinical sleep medicine: JCSM: official publication of the American Academy of Sleep Medicine. – 2014. – Т. 10. – №. 7. – С. 803.
  17. Кулаичев А. П. Критика вейвлет анализа ЭЭГ //Актуальные проблемы гуманитарных и естественных наук. – 2016. – Т. 1. – №. 12. – С. 47.
  18. Lotte F. A tutorial on EEG signal-processing techniques for mental-state recognition in brain–computer interfaces //Guide to Brain-Computer Music Interfacing. – Springer London, 2014. – С. 133-161.
  19. Şen B. et al. A comparative study on classification of sleep stage based on EEG signals using feature selection and classification algorithms //Journal of medical systems. – 2014. – Т. 38. – №. 3. – С. 1-21.
  20. Rodríguez-Sotelo J. L. et al. Automatic sleep stages classification using EEG entropy features and unsupervised pattern analysis techniques //Entropy. –2014. – Т. 16. – №. 12. – С. 6573-6589.
  21. Şen B. et al. i-EEG: A Software Tool for EEG Feature Extraction, Feature Selection and Classification. //GAU Journal of Soc. & App. Sciences. – 2014. – Т. 6. – №. 10. – С. 43-60.
  22. Кулаичев А. П. Компьютерная электрофизиология и функциональная диагностика. – Форум, 2007.
  23. Zucconi M., Ferri R. Assessment of sleep disorders and diagnostic procedures //Eur Sleep Res Soc. – 2014. – Т. 23. – С. 95-110.
  24. Mosko S. S., Shampain D. S., Sassin J. F. Nocturnal REM latency and sleep disturbance in narcolepsy //Sleep. – 1984. – Т. 7. – №. 2. – С. 115-125.
  25. Plazzi G., Serra L., Ferri R. Nocturnal aspects of narcolepsy with cataplexy //Sleep medicine reviews. – 2008. – Т. 12. – №. 2. – С. 109-128.
  26. Plazzi G., Serra L., Ferri R. Nocturnal aspects of narcolepsy with cataplexy //Sleep medicine reviews. – 2008. – Т. 12. – №. 2. – С. 109-128.
  27. Schenck C. H., Mahowald M. W. Motor dyscontrol in narcolepsy:Rapid‐eye‐movement (REM) sleep without atonia and REM sleep behavior disorder//Annals of neurology. – 1992. – Т. 32. – №. 1. – С. 3-10.
  28. Provini F. et al. Nocturnal frontal lobe epilepsy: a clinical and polygraphic overview of 100 consecutive cases //Brain. – 1999. – Т. 122. – №. 6. – С.1017-1031.
  29. Richard M., Pollak C. P., Weitzman E. D. Periodic movements in sleep (nocturnal myoclonus): relation to sleep disorders //Annals of neurology. – 1980. – Т.8. – №. 4. – С. 416-421.
  30. Petit D. et al. Sleep and quantitative EEG in neurodegenerative disorders //Journal of psychosomatic research. – 2004. – Т. 56. – №. 5. – С. 487-496.
  31. Fantini M. L. et al. Periodic leg movements in REM sleep behavior disorder and related autonomic and EEG activation //Neurology. – 2002. – Т. 59. –№. 12. – С. 1889-1894.
  32. Hening W. A., Walters A. S. (ed.). Sleep and Movement Disorders. –Butterworth-Heinemann Medical, 2003.
  33. Oldani A. et al. Nocturnal frontal lobe epilepsy misdiagnosed as sleep apnea syndrome //Acta neurologica scandinavica. – 1998. – Т. 98. – №. 1. – С. 67-71.
  34. Fell J. et al. Discrimination of sleep stages: a comparison betweenspectral and nonlinear EEG measures //Electroencephalography and clinicalNeurophysiology. – 1996. – Т. 98. – №. 5. – С. 401-410.
  35. Löfhede J. et al. Automatic classification of background EEG activity inhealthy and sick neonates //Journal of neural engineering. – 2010. – Т. 7. – №. 1. – С.016007.
  36. Inouye T. et al. Quantification of EEG irregularity by use of the entropyof the power spectrum //Electroencephalography and clinical neurophysiology. –1991. – Т. 79. – №. 3. – С. 204-210.
  37. Fell J. et al. Discrimination of sleep stages: a comparison between spectral and nonlinear EEG measures //Electroencephalography and clinical Neurophysiology. – 1996. – Т. 98. – №. 5. – С. 401-410.
  38. Löfhede J. et al. Automatic classification of background EEG activity in healthy and sick neonates //Journal of neural engineering. – 2010. – Т. 7. – №. 1. – С. 016007.
  39. Fell J. et al. Discrimination of sleep stages: a comparison between spectral and nonlinear EEG measures //Electroencephalography and clinical Neurophysiology. – 1996. – Т. 98. – №. 5. – С. 401-410.
  40. Zoubek L. et al. Feature selection for sleep/wake stages classification using data driven methods //Biomedical Signal Processing and Control. – 2007. – Т. 2. – №. 3. – С. 171-179.
  41. Fell J. et al. Discrimination of sleep stages: a comparison between spectral and nonlinear EEG measures //Electroencephalography and clinical Neurophysiology. – 1996. – Т. 98. – №. 5. – С. 401-410.
  42. Löfhede J. et al. Automatic classification of background EEG activity in healthy and sick neonates //Journal of neural engineering. – 2010. – Т. 7. – №. 1. – С. 016007.
  43. Cvetkovic D., Cosic I. Sleep onset estimator: evaluation of parameters //Engineering in Medicine and Biology Society, 2008. EMBS 2008. 30th Annual International Conference of the IEEE. – IEEE, 2008. – С. 3860-3863.
  44. Löfhede J. et al. Automatic classification of background EEG activity in healthy and sick neonates //Journal of neural engineering. – 2010. – Т. 7. – №. 1. – С. 016007.
  45. Álvarez-Estévez D., Moret-Bonillo V. Model comparison for the detection of EEG arousals in sleep apnea patients //International Work-Conference on Artificial Neural Networks. – Springer, Berlin, Heidelberg, 2009. – С. 997-1004.
  46. Kaiser J. F. Some useful properties of Teager's energy operators //Acoustics, Speech, and Signal Processing, 1993. ICASSP-93., 1993 IEEE International Conference on. – IEEE, 1993. – Т. 3. – С. 149-152.
  47. Ahmed B., Redissi A., Tafreshi R. An automatic sleep spindle detector based on wavelets and the teager energy operator //Engineering in Medicine and Biology Society, 2009. EMBC 2009. Annual International Conference of the IEEE. –IEEE, 2009. – С. 2596-2599.
  48. Van Hese P. et al. Automatic detection of sleep stages using the EEG //Engineering in Medicine and Biology Society, 2001. Proceedings of the 23rd Annual International Conference of the IEEE. – IEEE, 2001. – Т. 2. – С. 1944-1947.
  49. Zoubek L. et al. Feature selection for sleep/wake stages classification using data driven methods //Biomedical Signal Processing and Control. – 2007. – Т.2. – №. 3. – С. 171-179.
  50. Estrada E. et al. EEG feature extraction for classification of sleep stages //Engineering in Medicine and Biology Society, 2004. IEMBS'04. 26th Annual International Conference of the IEEE. – IEEE, 2004. – Т. 1. – С. 196-199.
  51. Huupponen E. et al. Automatic analysis of electro-encephalogram sleep spindle frequency throughout the night //Medical and Biological Engineering and Computing. – 2003. – Т. 41. – №. 6. – С. 727-732.
  52. Huupponen E. et al. Comparison of fuzzy reasoning and autoassociative MLP in sleep spindle detection //Signal Processing Conference, 2000 10th European.– IEEE, 2000. – С. 1-4.
  53. Agarwal R., Gotman J. Computer-assisted sleep staging //IEEE Transactions on Biomedical Engineering. – 2001. – Т. 48. – №. 12. – С. 1412-1423.
  54. Van Hese P. et al. Automatic detection of sleep stages using the EEG //Engineering in Medicine and Biology Society, 2001. Proceedings of the 23rd Annual International Conference of the IEEE. – IEEE, 2001. – Т. 2. – С. 1944-1947.
  55. Estrada E. et al. EEG feature extraction for classification of sleep stages //Engineering in Medicine and Biology Society, 2004. IEMBS'04. 26th Annual International Conference of the IEEE. – IEEE, 2004. – Т. 1. – С. 196-199.
  56. Tang W. C. et al. Harmonic parameters with HHT and wavelet transform for automatic sleep stages scoring //REM. – 2007. – Т. 365. – С. 8-6.
  57. Hjorth B. EEG analysis based on time domain properties //Electroencephalography and clinical neurophysiology. – 1970. – Т. 29. – №. 3. – С.306-310.
  58. Van Hese P. et al. Automatic detection of sleep stages using the EEG //Engineering in Medicine and Biology Society, 2001. Proceedings of the 23rd Annual International Conference of the IEEE. – IEEE, 2001. – Т. 2. – С. 1944-1947.
  59. GEERING B. A. et al. Period‐amplitude analysis and power spectral analysis: a comparison based on all‐night sleep EEG recordings //Journal of sleep research. – 1993. – Т. 2. – №. 3. – С. 121-129.
  60. GEERING B. A. et al. Period‐amplitude analysis and power spectral analysis: a comparison based on all‐night sleep EEG recordings //Journal of sleep research. – 1993. – Т. 2. – №. 3. – С. 121-129.
  61. Uchida S. et al. A comparison of period amplitude analysis and FFT power spectral analysis of all-night human sleep EEG //Physiology & behavior. –1999. – Т. 67. – №. 1. – С. 121-131.
  62. Huupponen E. et al. Development and comparison of four sleep spindle detection methods //Artificial intelligence in medicine. – 2007. – Т. 40. – №. 3. – С.157-170.
  63. Huupponen E. et al. Automatic analysis of electro-encephalogram sleep spindle frequency throughout the night //Medical and Biological Engineering and Computing. – 2003. – Т. 41. – №. 6. – С. 727-732.
  64. Zoubek L. et al. Feature selection for sleep/wake stages classification using data driven methods //Biomedical Signal Processing and Control. – 2007. – Т.2. – №. 3. – С. 171-179.
  65. Zhovna I., Shallom I. D. Automatic detection and classification of sleep stages by multichannel EEG signal modeling //Engineering in Medicine and Biology Society, 2008. EMBS 2008. 30th Annual International Conference of the IEEE. –IEEE, 2008. – С. 2665-2668.
  66. Acır N., Güzeliş C. Automatic recognition of sleep spindles in EEG by using artificial neural networks //Expert Systems with Applications. – 2004. – Т. 27.– №. 3. – С. 451-458.