Zuverlässigkeit einer automatisierten kardiorespiratorischen Schlafstadienklassifikation

Publikation: Beitrag zu KonferenzenPosterBeigetragenBegutachtung

Beitragende

Abstract

Einleitung: Für ein besseres Patienten-Screening wäre es hilfreich, auch ohne Polysomnographie das Schlafprofil von Patienten zu kennen. Dafür bieten sich kardiorespiratorische Signale an, da sie im Vergleich zur vollständigen
Polysomnographie einfach zu erfassen sind und ein grundsätzlicher Bezug zu den Schlafstadien bekannt ist. Diese Arbeit präsentiert die Ergebnisse eines neuronalen Netzes zur Schlafstadienklassifikation aus Herzrate und Atmung.
Der Schwerpunkt der Untersuchung liegt auf der Zuverlässigkeit dieser Klassifikation.
Patienten und Methoden: Die verwendeten Daten stammen aus der Sleep Heart Health Study. EKG und Atmung von 4000 Studienteilnehmern wurden für das Training des Modells verwendet, bewertet wurde es anhand der Daten
von 1000 anderen Studienteilnehmern. Das neuronale Netz besteht aus acht konvolutionellen und zwei rekurrenten Schichten. Es hat 1,8 Milliarden Parameter, die im Trainingsprozess optimiert werden. Bewertet wurde es auf
Übereinstimmung mit der manuellen Schlafstadienannotation und Korrelation der errechneten Schlafparameter aus der manuellen und maschinellen Annotation (z.B. Schlafeffizienz, REM-Latenz etc.).
Ergebnisse: Das Modell erreicht bei der Unterscheidung von Wach, NREM und REM eine sehr hohe Klassifikationsgenauigkeit von 89%. Es wird eine Sensitivität von 81% (W), 83% (R) und 93% (N) sowieso eine Spezifität von
89% (W), 84% (R) und 90% (N) erreicht. Schlafparameter, wie z.B. Schlafeffizienz und -latenz, die sich aus der Klassifikation des Netzes berechnen lassen, zeigen eine signifikante und hohe Korrelation mit den Werten aus der
manuellen Annotation. Die Klassifikation der einzelnen NREM-Stadien gelingt mit einer Sensitivität von 6% (N1), 84% (N2) und 50% (N3) und einer Spezifität von 40% (N1), 73% (N2) und 66% (N3).
Schlussfolgerung: Das Modell ist grundsätzlich für eine Vorauswertung der Schlafstadien anhand von Herzrate und Atmung geeignet und lässt zuverlässige Schlüsse auf die Schlafarchitektur zu. Die nächste Herausforderung ist
die Verbesserung der Unterscheidung der NREM-Stadien.

Details

OriginalspracheDeutsch
PublikationsstatusVeröffentlicht - 29 Okt. 2021
Peer-Review-StatusJa

(Fach-)Tagung

Titel29. Jahrestagung der Deutschen Gesellschaft für Schlafforschung und Schlafmedizin e. V
KurztitelDGSM 2021
Veranstaltungsnummer
Dauer28 - 30 Oktober 2021
BekanntheitsgradNationale Veranstaltung
Ortdigital
StadtFreiburg
LandDeutschland

Externe IDs

ORCID /0000-0003-2126-290X/work/142250136