Для цитирования:
Емельянова Е. П., Сельский А. О. Разметка стадий быстрого и медленного сна с помощью рекуррентного анализа // Известия вузов. ПНД. 2023. Т. 31, вып. 5. С. 643-649. DOI: 10.18500/0869-6632-003060, EDN: WGHKJW
Разметка стадий быстрого и медленного сна с помощью рекуррентного анализа
Цель настоящего исследования — разработать простую методику разметки стадий сна по данным ЭЭГ, полученным из полисомнографических записей. Для проверки работы метода он применен к трем группам испытуемых: условно здоровым, пациентам с болезнью Паркинсона, пациентам с апноэ.
Методы. Для распознавания стадий сна используется расчет рекуррентного показателя и его последующая оценка. Показано, что стадии быстрого и медленного сна демонстрируют различные значения рекуррентного показателя.
Результаты. В зависимости от того, в какой диапазон попадает рекуррентный показатель, определялись стадии быстрого и медленного сна для испытуемых по их ночным полисомнографическим записям. Для трех групп испытуемых были рассчитаны средние значения точности метода, которые в среднем превышают 72.5%.
Заключение. Показано, что на основе рекуррентного анализа возможно создать простой и эффективный метод распознавания стадий сна. Для пациентов с апноэ среднее значение точности метода выше, чем для условно здоровых испытуемых, для которых, в свою очередь, это значение было выше, чем для пациентов с болезнью Паркинсона. Это можно объяснить тем, что изменчивость статистических характеристик рекуррентного показателя по стадиям сна в группе у пациентов с апноэ ниже, а у пациентов с болезнью Паркинсона выше по сравнению с условно здоровыми испытуемыми.
- Ebrahimi F, Alizadeh I. Automatic sleep staging by cardiorespiratory signals: a systematic review. Sleep and Breathing. 2002;26(2):965–981. DOI: 10.1007/s11325-021-02435-8.
- Mikkelsen KB, Villadsen DB, Otto M, Kidmose P. Automatic sleep staging using ear-EEG. BioMedical Engineering OnLine. 2017;16(1):111. DOI: 10.1186/s12938-017-0400-5.
- Parro VC, Valdo L. Sleep-wake detection using recurrence quantification analysis. Chaos. 2018;28(8):085706. DOI: 10.1063/1.5024692.
- Acharya UR, Sree SV, Swapna G, Martis RJ, Suri JS. Automated EEG analysis of epilepsy: A review. Knowledge-Based Systems. 2013;45:147–165. DOI: 10.1016/j.knosys.2013.02.014.
- Acharya UR, Sree SV, Chattopadhyay S, Yu W, Ang PCA. Application of recurrence quantification analysis for the automated identification of epileptic EEG signals. International Journal of Neural Systems. 2011;21(3):199–211. DOI: 10.1142/S0129065711002808.
- Eckmann JP, Kamphorst SO, Ruelle D. Recurrence plots of dynamical systems. Europhysics Letters. 1987;4(9):973–977. DOI: 10.1209/0295-5075/4/9/004.
- Ramos AMT, Builes-Jaramillo A, Poveda G, Goswami B, Macau EEN, Kurths J, Marwan N. Recurrence measure of conditional dependence and applications. Phys. Rev. E. 2017;95(5):052206. DOI: 10.1103/PhysRevE.95.052206.
- Zhu L, Wang C, He Z, Zhang Y. A lightweight automatic sleep staging method for children using single-channel EEG based on edge artificial intelligence. World Wide Web. 2022;25(5):1883–1903. DOI: 10.1007/s11280-021-00983-3.
- 659 просмотров