Architektur des Schlafs: automatisierbare Schlafstadienanalyse in Echtzeit mittels globaler Musteranalyse im 3-Kanal-EEG

Einleitung:

Alternativ zur klassischen Frequenzbandanalyse der EEG-Signale können Schlafstadien auch anhand der momentanen Signalamplituden unterschieden werden. Basierend auf dieser Beobachtung präsentieren wir eine für Echtzeitanwendungen geeignete Methode, welche aus gemessenen Amplitudenvektoren im 3-Kanal EEG die momentane Wahrscheinlichkeit für das jeweilige Schlafstadium ermittelt.

Methode:

Die schlafstadienspezifischen Amplitudenvektor-Verteilungen entsprechen Punktwolken in einem 3-dimensionalen Raum. Aus diesen können kontinuierliche Wahrscheinlichkeitsverteilungen als Summe von Gauß-Funktionen erzeugt werden. Mithilfe Bayes'scher Statistik kann aus diesen Wahrscheinlichkeitsverteilungen der gemessenen Daten für alle Schlafstadien eine aktualisierte Wahrscheinlichkeit berechnet werden. Je mehr Amplitudenvektoren gemessen werden, desto exakter wird die Klassifikation, auch wenn die Punktwolken verschiedener Schlafphasen überlappen. Schnelle Wechsel der Schlafstadien können durch Aktualisierung der Wahrscheinlichkeiten durch Multiplikation mit Markov-Matrizen detektiert werden.

Ergebnisse:

Zur Validierung der Methode wurden drei EEG-Kanäle (F4M1, C4M1, O2M1) von 40 Probanden abgeleitet. Ein Teil der 3-dimensionalen Amplitudenvektoren wurde zum Training des Algorithmus verwendet. Danach wurden alle Amplitudenvektoren als Testdatensatz verwendet und mit der beschriebenen Methode automatisch klassifiziert. Ein Vergleich mit der visuellen Klassifikation ergab eine Accuracy > 90%.

Schlussfolgerung:

Prinzipiell kann mit dieser Methode voll-automatisch, in Echtzeit und mit hoher Accuracy auf die momentanen Schlafstadien zurückgeschlossen werden. In Zukunft könnte die Leistungsfähigkeit der Methode durch Verwendung von mehr als drei Signal-Kanälen noch verbessert werden.

Publication History

Publication Date:
18 April 2018 (online)