Maschinelles Lernen polysomnographisch | Shandong Forgingss Group

Wissenschaftliche Berichte Band 13, Artikelnummer: 9120 (2023) Diesen Artikel zitieren

Details zu den Metriken

Übermäßige Tagesschläfrigkeit (EDS) führt zu Konzentrationsschwierigkeiten und anhaltender Müdigkeit während des Tages. Im klinischen Umfeld basieren die Beurteilung und Diagnose von EDS hauptsächlich auf subjektiven Fragebögen und mündlichen Berichten, was die Zuverlässigkeit der klinischen Diagnose und die Fähigkeit, die Eignung für verfügbare Therapien zuverlässig zu beurteilen und das Ansprechen auf die Behandlung zu verfolgen, beeinträchtigt. In dieser Studie verwendeten wir eine Rechenpipeline für die automatisierte, schnelle, objektive Analyse mit hohem Durchsatz von zuvor gesammelten Enzephalographiedaten (EEG), um Ersatzbiomarker für EDS zu identifizieren und so die quantitativen EEG-Veränderungen bei Personen mit hoher Epworth-Schläfrigkeitsskala zu definieren (ESS) (n = 31), verglichen mit einer Gruppe von Personen mit niedrigem ESS (n = 41) an der Cleveland Clinic. Die analysierten EEG-Epochen wurden aus einem großen Nacht-Polysomnogramm-Register während der nächsten Wachphase extrahiert. Die Signalverarbeitung des EEG zeigte deutlich unterschiedliche EEG-Merkmale in der Gruppe mit niedrigem ESS im Vergleich zur Gruppe mit hohem ESS, einschließlich einer erhöhten Leistung in den Alpha- und Beta-Bändern und einer Dämpfung in den Delta- und Theta-Bändern. Unsere Algorithmen für maschinelles Lernen (ML), die auf die binäre Klassifizierung von hohem vs. niedrigem ESS trainiert wurden, erreichten eine Genauigkeit von 80,2 %, eine Präzision von 79,2 %, einen Rückruf von 73,8 % und eine Spezifität von 85,3 %. Darüber hinaus haben wir die Auswirkungen verwirrender klinischer Variablen ausgeschlossen, indem wir den statistischen Beitrag dieser Variablen zu unseren ML-Modellen bewertet haben. Diese Ergebnisse deuten darauf hin, dass EEG-Daten Informationen in Form rhythmischer Aktivität enthalten, die für die quantitative Bewertung von EDS mithilfe von ML genutzt werden könnten.

Übermäßige Tagesmüdigkeit (Excessive Daytime Sleepiness, EDS) tritt auf, wenn es für den Einzelnen immer schwieriger wird, wach zu bleiben oder aufmerksam zu bleiben. Dieser Zustand ist nicht nur mit Hypersomnie-Erkrankungen wie Narkolepsie, idiopathischer Hypersomnie und schlafbezogenen Atemstörungen verbunden, sondern kann auch mit einer Reihe klinischer Faktoren, einschließlich Stoffwechsel- und neurologischen Erkrankungen, verbunden sein, was letztendlich zu einer Beeinträchtigung willkürlicher Aktivitäten am Tag oder in der Nacht führt1 . EDS ist im Zusammenhang mit Müdigkeit zu einem großen öffentlichen Problem geworden und verursacht in den Vereinigten Staaten jährlich Kosten in Höhe von mehr als 135 Milliarden US-Dollar an gesundheitsbedingten Produktivitätsverlusten2. Zusätzlich zu den finanziellen Kosten motiviert die individuelle Wahrnehmung der Konzentrationsschwierigkeiten und der Verschlechterung der Gehirnreaktion auf akustische, visuelle und andere Stimulationen die Suche nach einem nicht-invasiven Biomarker, der bei der Identifizierung von EDS helfen kann, um eine wirksame Behandlung zu ermöglichen. Um Zusammenhänge zwischen Schläfrigkeit und der damit verbundenen Dynamik im Zentralnervensystem (ZNS) zu finden, haben wir die Hypothese getestet, dass EEG-Daten Informationen in Form rhythmischer Aktivität enthalten, die für die quantitative Bewertung von EDS mithilfe von maschinellem Lernen (ML) genutzt werden könnten. .

Tagesschläfrigkeit beeinträchtigt das Zentralnervensystem und führt zu Veränderungen der Gehirnfunktion und des Gehirnrhythmus. Frühere Studien berichteten über eine Desynchronisation zwischen der linken und rechten Hemisphäre bei geistiger Erschöpfung3, und Bildgebungsdaten deuten auf eine veränderte funktionelle Konnektivität zwischen Thalamus und Kortex4 hin. Tatsächlich hat das EEG vielversprechende Ergebnisse bei der Identifizierung von EDS-Biomarkern gezeigt, insbesondere für die Klassifizierung von Ermüdungs- und Alarmzuständen bei Aktivitäten wie dem Fahren mit tragbaren EEG-Geräten5 und für die Vorhersage der Reaktionszeit beim Fahren6. In der Klinik können subjektive Schläfrigkeitssymptome anhand der Epworth Sleepiness Scale (ESS) beurteilt werden. Hierbei handelt es sich um den aktuellen Selbstbericht zur Quantifizierung von EDS oder der Einschlafneigung. Im Allgemeinen besteht eine starke Korrelation zum Behandlungsstandard Schläfrigkeitsmessungen wie der multiple Schlaflatenztest7. Aktuelle Diagnosemethoden bleiben jedoch im Wesentlichen subjektiv, da sie auf Fragebögen und mündlichen Berichten beruhen.

In dieser Studie haben wir Ruhezustands-EEGs von wachen menschlichen Probanden aufgezeichnet, die aus dem Register der Nacht-Polysomnogramme der Cleveland Clinic stammen, und die Daten mithilfe eines automatischen Artefakterkennungsalgorithmus vorverarbeitet, den unser Team zuvor entwickelt hat8. Nach einem statistisch gesteuerten Ansatz für die Auswahl von EEG-Merkmalen haben wir einen ML-Algorithmus trainiert, um eine binäre Klassifizierung von niedrigem und hohem EDS durchzuführen. Wir ergänzen unsere Studie außerdem durch eine statistische Analyse des Beitrags verwirrender klinischer Variablen zu unserem binären ML-Klassifikator.

Wir nutzten das Schlafregister der Cleveland Clinic, eine Sammlung multimodaler physiologischer Daten, einschließlich kontinuierlicher EEG-Schlafstudien über Nacht. Daten aus diesem biophysiologischen Archiv wurden für die Zwecke dieser Studie extrahiert, wobei der Schwerpunkt auf Polysomnogrammen über Nacht oder Studien zum geteilten Nachtschlaf lag. Wir haben Polysomnogrammdaten aus einer gemeinsamen Initiative der verteilten Schlafzentren der Cleveland Clinic abstrahiert, um Patienten mit schwerer Hypersomnolenz und Patienten ohne EDS-Symptome zu erfassen. Um als analytische Stichprobe für die Arbeit zu dienen, haben wir von insgesamt 72 Patienten 31 Patienten mit schwerem EDS, definiert durch einen ESS größer oder gleich 20, und 41 Patienten ohne EDS, definiert durch einen ESS kleiner als 5, identifiziert . Diese Studie (Nr. 22–135) wurde am 17.02.2022 vom Cleveland Clinic Institutional Review Board (IRB) Federal Wide Assurance (FWA 00005367) als Exempt Human Subject Research genehmigt, was einen Verzicht auf die Einwilligung nach Aufklärung gewährte.

Die Polysomnogramm-Studien wurden gemäß den Richtlinien der American Academy of Sleep Medicine (AASM) unter Verwendung der Polysmith-Software Version 10 (Nihon Kohden) durchgeführt. Die Signale wurden mit einer standardmäßigen 10–20-EEG-Montage aufgezeichnet. Für die Analyse wurden nur 6 referenzierte Kanäle ausgewählt. Bei einigen Probanden werden einzelne Kanäle mit „M1“ oder „M2“ referenziert. Ungerade Kanalnummern (auf der linken Seite des Gehirns) werden von M1 referenziert und gerade Kanalnummern (auf der rechten Seite des Gehirns) werden von M2 referenziert, in einer idealen Einstellung, selten bei Referenzstörungen, der anderen Seite Referenz verwendet wurde. Die verwendeten Kanäle sind „F3“, „F4“, „C3“, „C4“, „O1“ und „O2“. Das EEG wurde gescannt und nur das sauberste Signal des 3-Minuten-Intervalls zwischen „Licht aus“ und der ersten Schlafphase „N1“ wurde ausgewählt. Dies ist der Zeitraum, den wir im Kontext dieser Studie als „Wach“-Epochen definieren. Das sauberste Signal basiert auf der Anzahl der Artefakte. „Licht aus“ ist ein vom Techniker hinzugefügtes Protokollereignis und bedeutet, dass die Fehlerbehebung und die Biokalibrierung durchgeführt wurden und die Schlafstudie zur Aufzeichnung bereit ist. Die Wach-Epochen entsprechen den AASM-Richtlinien, die erfordern, dass mehr als 50 % der Epoche aus Alpha-Frequenz-Aktivität besteht.

Die Vorverarbeitung der EEG-Daten, die Merkmalsextraktion, Statistiken und ML wurden mit MATLAB (MathWorks) durchgeführt. Da Schläfrigkeit ein Merkmal des Wachzustands ist, wurden nur EEGs während des Wachzustands im Ruhezustand analysiert, definiert als die EEG-Aufzeichnungszeit, als die Probanden vor der Schlafstudie wach waren.

Die ausgewählten „Wach“-Epochen wurden bewertet und manuell als „Wach“-Epochen ausgewählt und elektronisch in der EEG-Datei kommentiert. Schlafstudien, die im Labor für Schlafstörungen der Cleveland Clinic durchgeführt wurden, wurden anhand der Bewertungsregeln der American Academy of Sleep Medicine manuell hinsichtlich der Schlafstadien, einschließlich Schlaf und Wachzustand, bewertet. Nach diesem Schritt basierte der entwickelte Algorithmus auf EEG-Daten, die automatisch aus den Wachphasen der Schlafstudien extrahiert wurden. Insofern betrachteten wir die EEG-Analyse als automatisiert. Mehr als 50 % der Epoche bestand aus Alpha-Frequenz-Aktivität ohne Sekundenschlaf. Das EEG wurde mit einer Abtastrate von 200 Hz erfasst. Bei allen Aufnahmen wurde ein Hochpassfilter mit einer Durchlassfrequenz von 1 Hz und ein Notchfilter mit einem Sperrband von 57,5–62,5 Hz angewendet. Alle EEG-Aufzeichnungen wurden zunächst visuell überprüft, um die Gesamtsignalqualität für jeden Kanal zu bestätigen; Kanäle, die als qualitativ minderwertig oder unwiederbringlich eingestuft wurden, wurden von der Studie ausgeschlossen. Die Wellenformen in jedem Kanal wurden weiter in 1-s-Epochen unterteilt, und jede Epoche wurde mithilfe einer zuvor validierten Support Vector Machine (SVM)8 auf das Vorhandensein von Artefakten getestet. Epochen mit Artefakten wurden ausgeschlossen.

Aus den verbleibenden artefaktfreien Epochen jeder Aufnahme wurden die folgenden Merkmale extrahiert: bandweise PSD für alle Kanäle und bandweise Phasen-Amplituden-Kopplung (PAC). Um die bandweise PSD zu erstellen, wurde ein Periodogramm aus artefaktfreien Epochen für jeden Kanal erstellt und dann wurden diese Periodogramme für jeden Kanal innerhalb jedes Subjekts gemittelt. Diese gemittelten Periodogramme wurden normalisiert, indem jedes Frequenzintervall durch die Summe aller Intervalle von 3 bis 30 Hz dividiert wurde. Die normalisierte PSD wurde verwendet, um die bandweise PSD zu berechnen, indem der Durchschnitt aller Bins innerhalb jedes der folgenden vier Frequenzbänder gebildet wurde: Delta (1–4 Hz), Theta (5–9 Hz), Alpha (10–13 Hz). ), Beta (14–32 Hz) und niedriges Gamma (33–52 Hz). Dies ergab 5 PSD-Funktionen für jeden enthaltenen Kanal.

Die Band-by-Channel-PSD ähnelt der bandweisen PSD. Der einzige Unterschied besteht darin, dass die Kanäle nicht gemittelt werden; Jeder Kanal wird separat betrachtet. Dies ergab insgesamt 30 zu berücksichtigende Merkmale (5 Bänder × 6 Kanäle).

Der PAC wurde mithilfe der Modulation Index (MI)-Methode9 berechnet. Die für die Phase verwendeten Mittenfrequenzen umfassten alle geraden Zahlen von 2 bis 20. Die für die Amplitude verwendeten Mittenfrequenzen umfassten alle Vielfachen von 3 von 30 bis 54. MI wurde für jedes Paar von Phasen- und Amplitudenfrequenzen (insgesamt 90 Paare) gemessen jeden Kanal, einschließlich nur der Zeitpunkte, für die es 5 oder mehr aufeinanderfolgende artefaktfreie Epochen mit offenem Auge gab. Dies ergab eine 9 × 10 MI-Matrix für jeden Kanal jedes Subjekts, wobei jede Zeile einer Phasenmittenfrequenz und jede Spalte einer Amplitudenmittenfrequenz entsprach. Diese MI-Matrix wurde für die folgenden 4 Bandpaare in bandweise PAC umgewandelt: Delta – niedriges Gamma, Theta – niedriges Gamma, Alpha – niedriges Gamma und Beta – niedriges Gamma. Andere bandweise PAC wurden für die folgenden vier Bandpaare berechnet: Delta – mittleres Gamma, Theta – mittleres Gamma, Alpha – mittleres Gamma und Beta – mittleres Gamma. Diese Umwandlung wurde durch Mittelung über die entsprechenden Bereiche der MI-Matrix erreicht. Dies ergab 4 PAC-Merkmale für jeden Kanal und maximal 24 PAC-Merkmale pro Proband (4 Bandpaare × 6 Kanäle).

Die bandweise Kohärenz wurde aus jedem der 15 eindeutigen Kanalpaare berechnet, indem die Kohärenz (MATLAB-Funktion mscohere) aus jeder artefaktfreien Epoche während der Aufzeichnungen für beide Kanäle in einem bestimmten Paar gemittelt wurde. Diese durchschnittliche Kohärenz wurde auf die gleiche Weise wie PSDs in fünf Bänder unterteilt. Dies ergab 5 Kohärenzmerkmale für jedes Kanalpaar und maximal 75 Kohärenzmerkmale pro Proband (5 Bänder × 15 Kanalpaare). Kohärenzwerte wurden nicht aus Kanalpaaren berechnet, bei denen einer oder beide Kanäle Artefakte enthielten.

Wir haben gepaarte zweiseitige t-Tests verwendet, um die bandweise Leistungsspektraldichte (PSDs) zwischen den Gruppen mit hohem ESS und niedrigem ESS zu vergleichen10. Wir verwendeten zweiseitige Wilcoxon-Rangsummentests, um die bandweise Phasen-Amplituden-Kopplung (PAC) der beiden Gruppen für jeweils 4 Bandpaare und 6 Kanäle zu vergleichen. Wir haben einen nichtparametrischen statistischen Test für PAC gewählt, da die Werte auf Werte zwischen 0 und 1 beschränkt sind und es daher weniger wahrscheinlich ist, dass sie einer Normalverteilung folgen, wie es der Student-t-Test erfordert. Die statistische Signifikanz wurde durchgehend bei einem p-Wert < 0,05 festgestellt. Da individuelle Tests durchgeführt wurden und der Zweck der statistischen Tests in erster Linie die Auswahl von Merkmalen für nachfolgende ML war (und nicht das Testen einer Nullhypothese), gab es keine Anpassung für Mehrfachvergleiche11,12. Im Gegensatz zum gleichzeitigen Familientest mit einer gemeinsamen Nullhypothese, die zwei oder mehr Nullhypothesen umfasst, wird beim Einzeltest eine Entscheidung über eine Nullhypothese getroffen. Da jeder Test nur eine Möglichkeit bietet, einen Fehler vom Typ I zu machen, muss der Alpha-Wert nicht gesenkt werden.

Obwohl es in der Literatur üblich ist, Störfaktoren zur weiteren Anpassung als Eingabe in ein Regressionsmodell einzubeziehen, ist dieser Ansatz bei ML-Klassifikatoren, die komplizierte nichtlineare Beziehungen zwischen Eingabe und Ausgabe lernen können, unzureichend. Daher haben wir die in 13 beschriebene Post-hoc-Analyse durchgeführt, die vorschlägt, Confounds mithilfe der traditionellen Regression zu kontrollieren, um das Ausmaß zu vergleichen, in dem eine trainierte ML-Vorhersage selbst die Zielvariable erklären kann, im Gegensatz zur unabhängigen Leistung von Confounding-Variablen.

Unsere Studienpopulation war insgesamt mittleren Alters (Durchschnittsalter 54 Jahre) mit einer relativ gleichmäßigen Verteilung von Männern und Frauen, rassischer Diversität (34,7 % Afroamerikaner) und einem leichten Grad an schlafbezogenen Atemstörungen (Apnoe-Hypopnoe-Index = 13,4). ). Diejenigen mit einem höheren Grad an EDS waren eher etwas jünger, weiblich und fettleibiger, hatten eine längere Gesamtschlafzeit und einen geringeren Prozentsatz des N1-Schlafstadiums. Bemerkenswert ist, dass die Patienten mit einem hohen Grad an EDS aufgrund unseres vorab festgelegten Designs einen mittleren ESS von 21 ± 1 aufwiesen, im Gegensatz dazu hatten diejenigen ohne EDS einen mittleren ESS von 2 ± 1. Detaillierte demografische Informationen, Schlafeigenschaften, und die Krankengeschichte aller Patienten sowie deren anschließende Aufteilung in Gruppen mit hohem ESS und niedrigem ESS sind in Tabelle 1 aufgeführt.

Aus den oben in „Methoden“ aufgeführten EEG-Merkmalen wurden 3 Features ausgewählt, um einen Feature-Satz für das Training binärer Klassifizierungsalgorithmen zu erstellen, die sich nachweislich deutlich zwischen den Gruppen unterscheiden; Dazu gehörten 2 aus bandweiser Kohärenz, die durch die Kanalpaare O2 – C4 für Delta- und Theta-Bänder und Kanal O2 für das Beta-Band in PSD erzeugt wurde.

In Anlehnung an die jüngsten Trends bei den besten ML-Praktiken14 wurden mehrere traditionelle ML-Klassifizierungsalgorithmen in Betracht gezogen, die Kreuzvalidierung und eine Rastersuchstrategie nutzten, um ihre optimalen Hyperparameter zu finden. Die besten Ergebnisse wurden mit dem k-Nearest Neighbors-Algorithmus (KNN) erzielt. Um sicherzustellen, dass die Datenaufteilungen ordnungsgemäß zwischen den Falten verteilt wurden, haben wir den Klassifikator mithilfe einer geschichteten K-Kreuzvalidierung mit k = 5 validiert. Innerhalb unseres Datensatzes mit n = 31 für die Gruppe mit hohem ESS und n = 41 für die Gruppe mit niedrigem ESS haben wir berechnet Die folgenden Metriken zur Validierung: Genauigkeit, Fläche unter der Receiver Operating Characteristic Curve (AUC-ROC), Präzision, Spezifität und Recall. Die Genauigkeit wurde im Rahmen der k-fachen Kreuzvalidierung berechnet, indem die Anzahl der außerhalb der Stichprobe vorhergesagten Markierungen gezählt wurde, die mit der wahren Markierung der Probe übereinstimmten, und diese Gesamtzahl durch die Anzahl der Proben dividiert wurde.

Die spektrale Dichte für Delta-, Theta-, Alpha- und Beta-Leistungsbänder zeigte einen statistisch signifikanten Unterschied in der mittleren EEG-Leistung in der Gruppe mit hohem ESS im Vergleich zur Gruppe mit niedrigem ESS (Abb. 1), einschließlich eines Anstiegs im Delta (0,294 ± 0,010 Zoll). hoher ESS, 0,239 ± 0,005 bei niedrigem ESS, p < 0,001), in Theta (0,208 ± 0,005 bei hohem ESS, 0,181 ± 0,004 bei niedrigem ESS, p < 0,001) und eine Abnahme von Alpha (0,260 ± 0,011 bei hohem ESS, 0,318). ± 0,007 bei niedrigem ESS, p < 0,001) und Beta (0,087 ± 0,003 bei hohem ESS, 0,112 ± 0,007 bei niedrigem ESS, p < 0,001). Die Analyse der Leistung in einzelnen 6 Kanälen zeigte außerdem, dass signifikante Veränderungen nicht auf bestimmte Gehirnbereiche beschränkt waren. Es wurden signifikante Unterschiede in den Delta-, Alpha- und Beta-Leistungsbändern in jedem EEG-Kanal zwischen Gruppen mit niedrigem und hohem ESS festgestellt (Abb. 2).

Spektrale Leistungsdichte (Mittelwert aus 6 EEG-Kanälen) bei Probanden mit hohem ESS (n=31) und niedrigem ESS (n=41) im Frequenzbereich von 0–50 Hz (obere Reihe). Mittlere Leistung in den Frequenzbändern Delta (1-4 Hz), Theta (5-9 Hz), Alpha (10-13 Hz), Beta (14-32 Hz) und Low Gamma (33-52 Hz) (untere Reihe) .

Histogramme zeigen die spektrale Leistungsdichte in 6 einzelnen EEG-Kanälen bei Personen mit hohem ESS (n=31) und niedrigem ESS (n=41) in den Frequenzbändern Delta (1–4 Hz), Theta (5–9 Hz), Alpha (10). -13 Hz), Beta (14–32 Hz) und niedriges Gamma (33–52 Hz). Die Heatmap zeigt entsprechende t-Test-p-Werte für einzelne Kanäle in jedem Band (roter Farbton zeigt p < 0,05 an, hervorgehobene Zelle zeigt ein Merkmal an, das für das Training eines ML-Algorithmus ausgewählt wurde).

Bei der Phasen-Amplituden-Kopplung (PAC) in 6 einzelnen EEG-Kanälen gab es keinen signifikanten Unterschied zwischen niedrigem Gamma und Delta, Theta, Alpha bzw. Beta sowie zwischen mittlerem Gamma und Delta, Theta, Alpha bzw. Beta (Abb. 3).

Phasen-Amplituden-Kopplung (PAC) in 6 einzelnen EEG-Kanälen bei Probanden mit hohem ESS (n=31) und niedrigem ESS (n=41) zwischen niedrigem Gamma und Delta, Theta, Alpha, Beta (obere Reihe) sowie dazwischen mittleres Gamma bzw. Delta, Theta, Alpha, Beta (untere Reihe). In keinem einzelnen Kanal wurde ein statistisch signifikanter Unterschied zwischen den Gruppen festgestellt.

In Abb. 4 haben wir die Kohärenz in 6 einzelnen EEG-Kanälen in jedem Frequenzband verglichen. Es wurde ein signifikanter Unterschied zwischen den Gruppen mit hohem ESS und niedrigem ESS sowie zwischen der Kohärenz in einigen der einzelnen Kanäle (C4 und O2) festgestellt.

Kohärenz in 6 einzelnen EEG-Kanälen bei Probanden mit hohem ESS (n=31) und niedrigem ESS (n=41). Die Werte sind über eine Diagonale symmetrisch (die beiden hervorgehobenen Zellen zeigen Merkmale an, die für das Training eines ML-Algorithmus ausgewählt wurden).

Wir haben PSD nach Hz berechnet (Abb. 5), was Band nach Kanal (Abb. 2 unten rechts) ähnelt, außer dass wir anstelle von Bändern Bins von 1 bis 16 Hz verwenden. Dies ergab 96 zu berücksichtigende Merkmale (16 Hz × 6 Kanäle). In Abb. 2 (Heatmap (unten rechts)) haben wir die durchschnittliche PSD in 6 einzelnen EEG-Kanälen über jedes Frequenzintervall hinweg verglichen. Es wurde ein signifikanter Unterschied zwischen der Gruppe mit hohem ESS und der Gruppe mit niedrigem ESS im Kanal O2 im Betaband festgestellt.

Die Wärmekarte zeigt T-Test-p-Werte für einzelne Kanäle bei Probanden mit hohem ESS (n=31) und niedrigem ESS (n=41) in jedem Frequenzbereich von 1 Hz bis 16 Hz. (Roter Farbton zeigt p<0,05 an).

Die drei aus der PSD- und Kohärenzanalyse generierten Merkmale wurden verwendet, um den k-NN-Binärklassifikator für hohe und niedrige ESS zu trainieren. Unser Modell erreichte eine Genauigkeit von 80,2 %, einen AUC-ROC von 79,5 %, eine Präzision von 79,2 %, einen Recall von 73,8 % und eine Spezifität von 85,3 %.

Bei unserer Analyse von Störvariablen, die unsere EEG-Ergebnisse beeinflussen könnten, haben wir die Vorhersagen unseres ML-Klassifikators mit den potenziellen Störvariablen verglichen: Alter, BMI und Geschlecht. Nach dem Training unseres Modells verwendeten wir in jeder Falte unserer Kreuzvalidierung ein verallgemeinertes lineares Modell, um EDS für den Testsatz in drei Szenarien vorherzusagen: Verwendung nur unserer ML-Ausgabe, Verwendung nur der Störvariablen, Verwendung sowohl der Störvariablen als auch der ML-Ausgabe. Um die Ergebnisse für die 5 Falten zu aggregieren, haben wir den mittleren Pseudo-R2 und die mittleren p-Werte berechnet. In Abb. 6 zeigen wir den mittleren Pseudo-R2, während unser ML nur 41 % und das Confounding nur 8 % erreichte. Bei Kombination von ML und Störvariablen wurden 56 % erreicht. Tabelle 2 zeigt die mittleren p-Werte aus der verallgemeinerten linearen Regression für dieselben drei Szenarien für jede Variable. Wir haben festgestellt, dass wir einen statistisch signifikanten Prädiktor haben, wenn nur die ML-Ausgabe verwendet wird (p-Wert < 0,05).

Mittlerer Pseudo-R², berechnet durch ein verallgemeinertes lineares Modell auf den Testsätzen der Kreuzvalidierung für drei Szenarien: Verwendung nur der Vorhersage durch maschinelles Lernen, Verwendung nur der Störvariablen Alter, BMI und Geschlecht und Verwendung der Kombination aus maschinellem Lernen und Störfaktoren.

Klinisch überschneidet sich EDS mit anderen häufigen Schlaf- und Stimmungsstörungen, die als ursächlich für EDS gelten, wie z. B. obstruktive Schlafapnoe (OSA), Narkolepsie, Depression und postakute Folgen von COVID-1915, mit einer geschätzten Prävalenz von 20 % der Erwachsenen die Vereinigten Staaten16. Diese Ursachen werden in der Bevölkerung normalerweise falsch diagnostiziert oder nicht diagnostiziert, selbst wenn ein Patient eine Schlafstudie durchführt7,17.

Es wurden mehrere Ansätze untersucht, um einen objektiven neurophysiologischen Biomarker zu entwickeln, der die Symptome von EDS erfassen kann. Beispielsweise wurde der kleinste absolute Schrumpfungs- und Auswahloperator (LASSO) verwendet, um ESS aus EEG-Signalen von Lokführern vorherzusagen, allerdings mit unterschiedlichem Erfolg und erforderte im Vergleich zu unserer Studie, die auf einem statistischen Ansatz beruhte, komplexere Rechentechniken für die Auswahl von ML-Features18. Ein weiterer vorgeschlagener Schläfrigkeits-Biomarker ist das Odds-Ratio-Produkt, das aus den Delta-, Theta-, Alpha-Sigma- und Beta-Frequenzbändern der EEG-Signale und seiner Assoziation mit ESS19 berechnet wird. Trotz früherer Arbeiten mangelt es der direkten Klassifizierung von hohem oder niedrigem ESS mittels EEG im ML-Ansatz jedoch an Transparenz.

In dieser Studie demonstrieren wir die Machbarkeit einer automatisierten Analysepipeline, die das Ruhe-EEG im Wachzustand und ML verwendet, um EDS genau als niedrig oder hoch zu klassifizieren. Unsere Ergebnisse zeigten, dass das durchschnittliche Leistungsspektrum über EEG-Kanäle bei Patienten mit niedrigem ESS im Vergleich zu Probanden mit hohem ESS in den Alpha- und Beta-Bändern deutlich verstärkt und in den Delta- und Theta-Bändern abgeschwächt ist.

Nach der Analyse des Schlaf-EEG bei zwei Patientengruppen stellten wir signifikante Unterschiede in den Delta-, Theta-, Alpha- und Beta-Frequenzbändern zwischen denjenigen fest, die über hohe und niedrige Schläfrigkeit berichteten. Mit dem Ziel, die Tagesmüdigkeit auf individueller Ebene abzuschätzen, haben wir einen k-NN-Klassifikator trainiert, der eine Genauigkeit von 80,2 %, eine Präzision von 79,2 %, einen Rückruf von 73,8 % und eine Spezifität von 85,3 % erreichte. Somit zeigt unsere Arbeit das Potenzial der EEG-Analyse zur Generierung von Biomarkern für übermäßige Tagesschläfrigkeit und den Einsatz von Signalverarbeitung und ML zur Klassifizierung der Schläfrigkeit auf individueller Ebene. Darüber hinaus haben wir die Neuheit dieser Biomarker hervorgehoben, als wir zeigten, dass ML-Prädiktoren allein das EDS auch nach Kontrolle von Störvariablen signifikant erklären.

Diese Ergebnisse deuten darauf hin, dass das kurzzeitige Ruhezustands-Wach-EEG Informationen enthält, die zur zuverlässigen Beurteilung des EDS genutzt werden könnten, wodurch die klinische Versorgung verbessert wird. Diese Ergebnisse sollten mit dem historischen Standard der Verwendung von EEG-Mustern zur qualitativen und in geringerem Maße quantitativen Definition von Schlafstadien gemäß der American Academy of Sleep Medicine und der Beurteilung von Symptomen übermäßiger Tagesmüdigkeit mit zeitintensiven objektiven Tests wie dem Multiple kontextualisiert werden Schlaflatenztest20.

Unsere Ergebnisse zeigen, dass Personen mit niedrigem ESS eine höhere EEG-Aktivität im Betaband im Hinterkopfbereich aufweisen als Personen mit hohem ESS. Frühere Untersuchungen haben auch die signifikanten Unterschiede zwischen diesen Biomarkern in Gruppen von EDS-Patienten hervorgehoben21. Andere haben vorgeschlagen, dass neuronale Mechanismen im Zusammenhang mit Sehaufgaben und Aufmerksamkeit mit diesen Biomarkern verknüpft sein könnten. Beispielsweise ist eine Verlängerung der Reaktionszeit für visuelle Aufgaben bei Schülern in einem realen Klassenzimmer mit einer Abnahme der mittleren Basis-Betabandleistung über der Hinterhauptregion verbunden22. Außerdem wurde in23 die Betaband-Aktivität im Hinterkopfbereich mit Aufmerksamkeitsdefiziten bei älteren Probanden in Verbindung gebracht, wobei eine erhöhte Aktivität den korrekten Antworten auf visuelle Aufgaben vorausging.

Einige Einschränkungen unserer Arbeit verdienen Aufmerksamkeit. Da die Stichprobengröße im Bereich EEG/ML14 als relativ klein (n = 72) angesehen werden könnte, würde unser Modell von einer Validierung anhand eines prospektiven Datensatzes gemäß ML-Best Practices sowie über verschiedene geografische Standorte hinweg profitieren. Unser Ansatz hängt immer noch von der manuellen Annotation des Schlafstadiums ab, da die automatisierte Pipeline keine „Wach“-Epochen bestimmt. Dennoch wird die „Wach“-Periode bestimmt, nachdem wir die Daten nach den manuellen Anmerkungen „Licht aus“, „Wach“ und Schlafstadium „N1“ durchsucht haben. Darüber hinaus können laut AASM die Wachphasen von völliger Wachsamkeit bis hin zu einem frühen Stadium der Schläfrigkeit reichen. Wir verwendeten auch Signalverarbeitungstechniken, um EEG-Merkmale zu extrahieren, beispielsweise die Leistung in vordefinierten Delta-, Theta-, Alpha-, Beta- und Gammabändern. Dies könnte unseren Funktionsumfang für Biomarker im Gegensatz zu anderen Techniken, die auf dem Training von Deep-Learning-Modellen direkt aus EEG-Rohsignalen basieren24, eingeschränkt haben, obwohl solche Techniken intransparent und rechenintensiver sind. Wir erkennen auch an, dass einige demografische Variablen einen Einfluss auf das EEG haben könnten, wie etwa Alter25,26,27,28 und Geschlecht29,30, und wir haben diese Parameter nicht speziell kontrolliert, obwohl die mittleren demografischen Werte insgesamt vergleichbar waren.

Wir wählten Extreme der subjektiven Wahrnehmung der Einschlafneigung, die von ESS als explorativen Anwendungsfall für die Algorithmusentwicklung definiert wurden. Die Schlafstudien wurden nicht auf der Grundlage des obstruktiven Schlafapnoe-Status ausgewählt, sondern die Patienten wurden am häufigsten aufgrund eines Verdachts auf OSA mit unterschiedlichem Grad an selbstberichteter Schläfrigkeit zur Schlafstudie überwiesen. Daher besteht die Möglichkeit, in Zukunft auf dieser Arbeit aufzubauen und EEG-basierte Biomarker zu untersuchen, die das Spektrum der Schläfrigkeit widerspiegeln.

Schließlich stellen wir uns vor, dass unsere automatisierte und quantitative Methode zur Beurteilung von EDS durch Hinzufügen der Ergebnisse unserer Methode in die elektronische Gesundheitsakte des Patienten nach der Durchführung eines Polysomnogrammtests umgesetzt werden kann. Zukünftige Untersuchungen sollten sich darauf konzentrieren, ob eine Point-of-Care-Maßnahme wie diese zur Risikostratifizierung von Patienten verwendet werden könnte, um beispielsweise diejenigen zu identifizieren, die möglicherweise eine Schulung zu schläfrigem Fahren benötigen, oder um Schlafphänotypen zu identifizieren, die besser auf spezifische Interventionen wie Pharmakotherapeutika zur Behandlung von Hypersomnie-Störungen reagieren.

In dieser Studie untersuchten wir das Potenzial der Verwendung von EEG-Signalen, die während der Wachphase in Polysomnogrammen aufgezeichnet wurden, als Biomarker für übermäßige Tagesmüdigkeit. Wir identifizierten signifikante Unterschiede in den Delta-, Theta-, Alpha- und Beta-Frequenzbändern zwischen denen, die über eine hohe und eine niedrige Schläfrigkeit berichteten, gemessen mit dem weit verbreiteten ESS. Mit dem Ziel, die Tagesschläfrigkeit auf individueller Ebene abzuschätzen, haben wir einen k-NN-ML-Klassifikator trainiert, der in einer retrospektiven Kohorte eine Genauigkeit von 80,2 %, eine Präzision von 79,2 %, einen Rückruf von 73,8 % und eine Spezifität von 85,3 % erreichte. Nach der Kontrolle potenzieller Störvariablen zeigen wir, dass diese Studie beim Aufbau einer direkten Verbindung zwischen EEG und ESS innovativ ist. Letztendlich bieten wir leistungsstarke Techniken für die Bereiche, die eine erweiterte EEG-Analyse nutzen können, wie beispielsweise unterdiagnostizierte EDS-Studien.

Die Daten, die die Ergebnisse dieser Studie stützen, und die generierten und analysierten Datensätze sind aus Bedenken gegenüber menschlichen Probanden nicht öffentlich zugänglich, können aber auf begründete Anfrage beim entsprechenden Autor angefordert werden.

Jaussent, I. et al. Inzidenz, Verschlechterung und Risikofaktoren von Tagesmüdigkeit in einer bevölkerungsbasierten 5-Jahres-Längsschnittstudie. Wissenschaft. Rep. 7(1), 1372 (2017).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Ricci, JA et al. Müdigkeit in der US-Belegschaft: Prävalenz und Auswirkungen auf verlorene produktive Arbeitszeit. J. besetzen. Umgebung. Med. 49(1), 1–10 (2007).

Artikel MathSciNet PubMed Google Scholar

Jarchi, D., B. Makkiabadi und S. Sanei. Analyse der geistigen Ermüdung durch Messung der Synchronisation von Gehirnrhythmen unter Einbeziehung einer verbesserten empirischen Moduszerlegung. Im Jahr 2010 2. Internationaler Workshop zur kognitiven Informationsverarbeitung, S. 423–427 (2010).

Killgore, WDS et al. Tagesschläfrigkeit ist mit einer veränderten thalamokortikalen Konnektivität im Ruhezustand verbunden. NeuroReport 26(13), 779–784 (2015).

Artikel PubMed Google Scholar

Ren, Z. et al. EEG-basierte Fahrmüdigkeitserkennung mithilfe einer radialen Basisfunktion mit zweistufiger Lernhierarchie. Vorderseite. Neuroroboter. 15, 3–3 (2021).

Artikel Google Scholar

Ko, L.-W. et al. Die Augenzwinkererkennung verbessert die Ermüdungsvorhersage aus dem Einkanal-Stirn-EEG bei einer realistischen Aufgabe mit anhaltender Aufmerksamkeit. J. Neural Eng. 17(3), 036015–036015 (2020).

Artikel ADS PubMed Google Scholar

Aurora, RN et al. Korrelation von subjektiver und objektiver Schläfrigkeit: Überprüfung des Zusammenhangs mithilfe einer Überlebensanalyse. Sleep 34(12), 1707–1714 (2011).

Artikel PubMed PubMed Central Google Scholar

Levitt, J. et al. Automatisierte Erkennung von Elektroenzephalographie-Artefakten bei Menschen, Nagetieren und Hunden mithilfe maschinellen Lernens. J. Neurosci. Methoden 307, 53–59 (2018).

Artikel PubMed Google Scholar

Tort, ABL et al. Messung der Phasen-Amplituden-Kopplung zwischen neuronalen Schwingungen unterschiedlicher Frequenz. J. Neurophysiol. 104(2), 1195–1210 (2010).

Artikel PubMed PubMed Central Google Scholar

Niven, DJ et al. Passende Fall-Kontroll-Studien: Eine Überprüfung der gemeldeten statistischen Methodik. Klin. Epidemiol. 4, 99 (2012).

Artikel PubMed PubMed Central Google Scholar

Greenland, S. Analyseziele, Fehlerkostensensitivität und Analyse-Hacking: Grundlegende Überlegungen beim Testen von Hypothesen und bei Mehrfachvergleichen. Pädiatr. Perinat. Epidemiol. 35(1), 8–23 (2021).

Artikel PubMed Google Scholar

Rubin, M. Wann Alpha bei Mehrfachtests angepasst werden muss: Eine Überlegung zu Disjunktion, Konjunktion und Einzeltests. Synthese 199, 10969–11000 (2021).

Artikel Google Scholar

Dinga, R., Schmaal, L., Penninx, BW, Veltman, DJ, & Marquand, AF (2020). Kontrolle der Auswirkungen verwirrender Variablen auf Vorhersagen des maschinellen Lernens. BioRxiv (2020).

Steyerberg, EW Validierung in der Vorhersageforschung: Die Verschwendung durch Datenaufteilung. J. Clin. Epidemiol. 103, 131–133 (2018).

Artikel PubMed Google Scholar

Pérez-Carbonell, L. et al. Auswirkungen der neuartigen Coronavirus-Pandemie (COVID-19) auf den Schlaf. J. Thorac. Dis. 12, 163–175 (2020).

Artikel Google Scholar

Pagel, JF Übermäßige Tagesmüdigkeit. Bin. Fam. Physik. 79(5), 391–396 (2009).

CAS Google Scholar

Sahni, AS et al. Management übermäßiger Schläfrigkeit bei Patienten mit Narkolepsie und OSA: Aktuelle Herausforderungen und Zukunftsaussichten. Nat. Wissenschaft. Schlaf 11, 241–252 (2019).

Artikel ADS PubMed PubMed Central Google Scholar

Lees, T. et al. Elektroenzephalographie als Prädiktor für selbstberichtete Müdigkeit/Schläfrigkeit während monotoner Fahrt bei Zugführern. Physiol. Mess. 39(10), 105012 (2018).

Artikel PubMed Google Scholar

Lechat, B. et al. Ein neuartiger EEG-Marker sagt die wahrgenommene Schläfrigkeit und schlechte Schlafqualität voraus. Schlaf 45(5), 051 (2022).

Artikel Google Scholar

Akademie für Schlafmedizin A. Das AASM-Handbuch zur Bewertung von Schlaf und damit verbundenen Ereignissen, Zusammenfassung der Aktualisierungen in Version 2.5. J. Clin. Schlafmed. 16(4), 605–607 (2020).

Melia, U. et al. Gegenseitige Informationsmaßnahmen, angewendet auf EEG-Signale zur Charakterisierung der Schläfrigkeit. Med Eng Phys 37(3), 297–308 (2015).

Artikel PubMed Google Scholar

Ko, LW et al. Anhaltende Aufmerksamkeit im realen Klassenzimmer: Eine EEG-Studie. Front Hum Neurosci 11, 388 (2017).

Artikel PubMed PubMed Central Google Scholar

Gola, M. et al. Die EEG-Betabandaktivität steht im Zusammenhang mit Aufmerksamkeit und Aufmerksamkeitsdefiziten in der Sehleistung älterer Probanden. Int. J. Psychophysiol. 89(3), 334–341 (2013).

Artikel PubMed Google Scholar

Nygate, Y. et al. 543 EEG-basiertes tiefes neuronales Netzwerkmodell zur Vorhersage des Gehirnalters und dessen Zusammenhang mit dem Gesundheitszustand des Patienten. Schlaf 44 (Ergänzung 2), 214 (2021).

Artikel Google Scholar

Hughes, JR & Cayaffa, JJ Das EEG bei Patienten unterschiedlichen Alters ohne organische Hirnerkrankung. Elektroenzephalologe Klin. Neurophysiol. 42(6), 776–774 (1977).

Artikel CAS PubMed Google Scholar

Nguyen, P. et al. (EDS) Alters- und Geschlechtsklassifizierung anhand paralinguistischer EEG-Merkmale. In International IEEE/EMBS Conf. über Neural Engineering, NER (2013).

Vlahou, EL et al. Slow-Wave-Power im Ruhezustand, gesundes Altern und kognitive Leistungsfähigkeit. Wissenschaft. Rep. 4, 5101 (2014).

Artikel CAS PubMed PubMed Central Google Scholar

Zoubi, OA et al. Vorhersage des Alters anhand von Gehirn-EEG-Signalen – ein Ansatz des maschinellen Lernens. Vorderseite. Alternde Neurowissenschaften. 10, 184 (2018).

Artikel PubMed PubMed Central Google Scholar

Hu, J. Ein Ansatz zur EEG-basierten Geschlechtserkennung unter Verwendung von Entropiemessmethoden. Wissen. Syst. 140, 134–141 (2018).

Artikel Google Scholar

Van Putten, MJAM, Olbrich, S. & Arns, M. Sex anhand von Gehirnrhythmen mit Deep Learning vorhersagen. Wissenschaft. Rep. 8(1), 3069 (2018).

Artikel ADS PubMed PubMed Central Google Scholar

Referenzen herunterladen

Die Automatisierungsphase der Vorverarbeitung wurde auf der Oracle Cloud-Plattform durchgeführt.

Diese Autoren haben gleichermaßen beigetragen: Araujo Matheus und Ghosn Samer.

Zentrum für Schlafstörungen, Neurologisches Institut, Cleveland Clinic Foundation, Cleveland, OH, USA

Araujo Matheus, Wells Samantha und Mehra Reena

Abteilung für Biomedizintechnik, Cleveland Clinic Foundation, Cleveland, OH, USA

Ghosn Samer & Saab Y. Carl

Quantitative Gesundheitswissenschaften, Lerner Research Institute, Cleveland Clinic Foundation, Cleveland, OH, USA

Wang Lu

Metro Health Medical Center, Cleveland, OH, USA

Hariadi Nengah

Abteilung für Biomedizintechnik, Brown University, Providence, Rhode Island, USA

Saab Y. Carl

Respiratory Institute, Cleveland Clinic Foundation, Cleveland, OH, USA

Mehra Reena

Herz-Kreislauf- und Stoffwechselwissenschaften, Lerner Research Institute, Cleveland Clinic Foundation, Cleveland, OH, USA

Mehra Reena

Heart and Vascular Institute, Cleveland Clinic Foundation, Cleveland, OH, USA

Mehra Reena

Sie können diesen Autor auch in PubMed Google Scholar suchen

MA, SG, RM und CS haben den Hauptmanuskripttext geschrieben. SW und NH identifizierten Probanden und sammelten Daten, LW extrahierte Probandendaten und berechnete die Statistiken in der Tabelle. 1. MA hat die Confounding-Studie zum maschinellen Lernen vorbereitet und Tabelle 2 und Abb. 6 hinzugefügt. SG hat die EEG-Datenpipeline entwickelt, die Datenanalyse, das maschinelle Lernen und die Abbildungen vorbereitet. 1, 2, 3, 4 und 5.

Korrespondenz mit Mehra Reena.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Matheus, A., Samer, G., Lu, W. et al. Durch maschinelles Lernen polysomnographisch abgeleitete Elektroenzephalographie-Biomarker, die die Epworth-Schläfrigkeitsskala vorhersagen. Sci Rep 13, 9120 (2023). https://doi.org/10.1038/s41598-023-34716-5

Zitat herunterladen

Eingegangen: 05. Oktober 2022

Angenommen: 05. Mai 2023

Veröffentlicht: 05. Juni 2023

DOI: https://doi.org/10.1038/s41598-023-34716-5

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.