SATUD：一种基于描述符的自适应阈值分割方法用于睡眠阶段评分

医学信息学解锁21（2020）100453多导睡眠描记的用户友好的睡眠分期系统第二部分：使用SATUD系统的患者相关特征提取Jade Vanbuisa，b，*，Mathieu Feuilloya，b，Lucile Riaboffa， b，Guillaume Baffet，Alain Le Duffa，b，1，NicoleMeslierc，d，Fr'ed'ericGagnadouXc， d，Jean-MarcGiraulta，baESEO，法国bLAUM，UMR CNRS 6613，勒芒，法国c法国昂热大学医院昂热睡眠实验室法国昂热昂热大学UMR 1063A R T I C L EI N FO保留字：SATUD系统无监督阈值EX pert知识可解释分类器睡眠评分A B S T R A C T手动睡眠阶段评分耗时，复杂，需要特定的医学知识。通常基于机器学习的监督方法的自动睡眠阶段分类是研究人员感兴趣的对象。然而，它仍然具有挑战性，因为患者之间的高变异性，这是没有考虑到这样的算法。本文提出了一种方法，从电生理信号中提取患者相关的定性特征，之前的监督机器学习分类器。本文提出了一种新的基于描述符的自适应阈值分割方法（SATUD），该方法不使用固定阈值，自动调整阈值以最大化同一睡眠阶段内的相似性和不同睡眠阶段之间的不相似性。使用来自60名具有各种病理的患者的手动睡眠阶段评分来评估该方法，以确保高可变性。与本研究中实施的其他两种阈值方法相比，SATUD显示出对患者特异性的更好适应。事实上，与其他阈值技术相比，使用SATUD时，30秒记录片段的数量（关于其所有睡眠阶段属性）增加了80%以上。它也被证明是鲁棒的噪声和汗水伪影。SATUD由此提供了依赖于患者的定性特征，其可以用于使用机器学习方法的自动睡眠阶段评分。这最后一点已在配套文件中提出。1. 介绍睡眠相关疾病几乎影响了三分之一的人口，并且越来越多地被认为是真正的公共卫生问题[1]。在过去的几年里，睡眠诊断的需求增加了[2，3]。睡眠诊断的黄金标准程序包括使用多导睡眠图记录的电生理和呼吸信号。有了所有这些信号，医务人员手动对睡眠事件和睡眠阶段进行评分。睡眠事件，如呼吸暂停和呼吸不足，通过呼吸信号检测。另一方面，基于电生理信号对睡眠阶段进行评分。其中，脑电图（EEG）、眼电图（EOG）和肌电图（EMG）分别用于测量大脑、眼睛和肌肉活动。睡眠评分包括以下分类：觉醒、阶段N1和阶段N2（都是浅睡眠）、阶段N3（深睡眠）和REM睡眠（快速眼动，也称为R阶段或paradoXICAL睡眠：大脑活跃但肌肉张力降低的阶段），以30秒的时间段，也称为时期。除了是一项耗时的任务外，睡眠评分还需要特定的医学知识。美国睡眠医学学会（AASM）在2007年出版的一份建议手册[4]描述了每个睡眠阶段的时间和频谱内容，以及评分员可以识别的睡眠模式和从一个睡眠阶段到另一个睡眠阶段的可能过渡在过去的几年里，开发了越来越多的自动睡眠评分算法，分为三类：深度学习[5，6]，机器学习[7尽管基于人工智能（AI）的模型越来越多，但只有少数被睡眠专家常规使用* 通讯作者。 法国昂热ESEO电子邮件地址：jade.vanbuis@ eseo.fr（J。Vanbuis）。1现地址：OlympusNDTCanada，Q u'ebec，Canada。https://doi.org/10.1016/j.imu.2020.100453接收日期：2020年7月30日;接收日期：2020年10月4日;接受日期：2020年10月11日2020年11月4日网上发售2352-9148/©2020的 作者。发表通过 Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuJ. Vanbuis等人医学信息学解锁21（2020）1004532Fig. 1. 功能架构由三个主要功能（F1、F2和F3）组成。来自AASM手册的医学知识和电生理信号用作输入。输出是一组定性特征，对患者特异性的脆弱性较低对此的几个原因已在Companion文件[17]和[18]中确定和详细说明。其中之一是所制定的方法缺乏透明度。事实上，深度学习方法往往能达到最好的分数，但它们是不透明的，缺乏透明度引起了医生的怀疑。对于不透明的方法，医疗从业者必须接受放松对算法实现的任务的控制。这可能会阻止他们在处理不寻常的病理时做出适当的反应（在训练模型时不一定表示）。出于这个原因，一些研究人员试图提高他们的模型的可解释性[19]，并为从业者提供一些具体的元素。然后设计混合方法[14本文是一份两部分文件的第二部分。 在配套文件[17]，一种新的混合方法复制的步骤，开发并提出了手动评分。这个混合系统是由几个功能，包括一个专用于特征提取，必要的分类。这个特征提取器被称为SATUD，它是本文的核心，将在下面的章节中详细介绍。E-X特征描述每个时期。它们是定性的，代表了AASM准则中提到的具体内容。然而，如果不正确地执行，这种特征的提取对于分类可能是有问题的。事实上，受试者之间存在很大的差异。这种可变性是睡眠专家在手动评分睡眠时遇到的主要困难之一。为了对睡眠阶段进行适当的评分，医疗从业者通常需要熟悉记录的特殊性。为此，他们在进行评分之前，先对整个录音进行快速可视化。然而，在过去几年[5此外，适应每种记录特异性意味着具有来自具有各种病理的患者的足够数量的记录，这是很少的情况。这 研究 提出 的 自适应 阈值化 使用De-scriptors（SATUD）方法。SATUD是为提取受试者相关特征而开发的，它减少了受试者可变性的影响。特征值根据每个患者进行调整，就像睡眠专家在给睡眠评分时自然做的那样。SATUD原理将在下面的章节中解释，然后评估其正确调整阈值的能力，并与其他阈值方法进行比较2. 材料和方法在本节中，用于实现SATUD的数据是2.1. 数据具有各种睡眠病理的患者在昂热睡眠实验室（大学医院，CAMMUMR 1063，昂热，法国）中经历一夜多导睡眠图（PSG）。PSG是一种采集电生理信号、呼吸信号、身体运动和位置的睡眠诊断设备。记录是“卢瓦尔河地区呼吸研究所“（IRSR）睡眠队列的一部分。获得了昂热大学伦理委员会和“Comi t'e Consultative sur le Traitement de l 'Information en mat i ` ere de Recherche dans le domaine de la Sant'e“[CCTIRS]（07.207 bis）的批准。IRSR睡眠队列中纳入的所有患者均提供了书面知情同意书。录音是匿名的。使用CID102L8D多导睡眠仪记录睡眠阶段和事件，并在AASM记录后进行评分[4]。除了这些标准的多导睡眠图信号外，还使用PneaVoX®设备记录了气管音，以增强呼吸事件识别[20]。共有60名匿名患者的记录由睡眠专家进行评分（三名睡眠专家参与了这项研究，但每个记录都由一名评分员进行评分）。在这项研究中，自动算法只采用EEG，EOG和EMG信号，由医生来评分睡眠阶段。在30秒的时期内，清醒、N1、N2、N3和REM睡眠的顺序2.2. 方法本文提出的假设是，具体的功能可以帮助克服模型缺乏透明度。定性（序数）特征允许 密切 翻译 的 医疗 知识 (AASMa-的情况）。它们的估计需要量化特征的离散化。例如，将定量特征amplitudeEEG2 离 散 化 为 定 性 特 征 amplitudeEEGHigh 和 amplitudeEEGLow，采用需要估计的一定数量的阈值对于这个例子，问题是要知道我们可以考虑具有低或高EEG幅度的阈值。SATUD算法旨在为每个记录自动调整这些阈值。在本研究中实施的睡眠分期系统中的SATUD的集成在图1中示意性示出。该架构由几个主要功能组成：F1、F2、F3和F3。一个详细的例子可以发现在EscherdiX A。第一次出现（2.1）。 所选方法的详细信息见第2.2.2 注意，信号以至少8位的位深度记录。J. Vanbuis等人医学信息学解锁21（2020）1004533∑表1根据F2中提取的13个定量特征（范围从EEG振幅到减影EOG不稳定性）和相关阈值的数量，为睡眠评分提取的41个使用的定性特征NbEEG振幅2低|低或中|中等或高|高4EEG不稳定1否|是2慢波活动量2低|低或中|高3α波数量2低|低或中|中期|中等或高|5高图二. 说明睡眠阶段N3特性（在F1中定义）、定量特征（在F2中定义）和定性特征（在F3中定义）之间的联系的简化示例。2.2.1. 系统所提出的系统旨在提供一组患者特定的定性特征。如图1所示，它由三个主要功能（F1，F2，F3）组成。对于涉及睡眠分期的应用，系统输入为：通过AASM手册提供关于睡眠评分的先验知识。例如，本手册指出，N3睡眠阶段 可以 被 承认 使用 低频 (0.5-2 Hz）高-振幅（>75μ V）EEG额波。高比例的那些被称为“慢波活动”的波2.2.2. F1-睡眠阶段描述F1旨在为每个睡眠阶段建立一个属性列表。来自AASM手册的先验知识（如SYSTEM中所详述）是第一个函数F1的输入。为了建立该列表，我们仔细研究了所有睡眠阶段的AASM手册，并随后转化为表示用于区分睡眠阶段的时间和频率信息的属性列表。图2的上部示出了用于描述睡眠阶段N3的两个属性的示例。与每个睡眠阶段相关联的属性列表对于SATUD的正常运行是必不可少的，因为它们取代了标记的数据。慢波活动包括在大脑额叶区域测量的低频（0.5-2.2.3. F2-特征提取F2旨在提取与函数F1中识别的属性相对应的定量特征。使用分成时期的电生理通道，提取了13个定量特征。这些定量特征列于表1的第1列。这些数量特征可以反映时间或频谱内容，也可以反映时间和频谱内容的组合他们在AASM指南中被确定为睡眠评分所需 在图的中间部分。2提出了两个定量的功能，由于上述属性。β波量2低|中期|中等或高3δ波量2低|中等或高2θ波量2低|低或中|中等或高3下巴水平仪2低|低或中|中等或高|高4下巴不稳2低|低或中|中等或高|高4EOG水平总和2低|低或中|中等或高3总眼电不稳定性2低|低或中|中等或高3减去EOG水平2低|中等或高2减影眼电图不稳定性2低|中等或高|高3总41一 雇用的雇员人数。B 用于每个定量特征的定性特征的数量。2.2.4. F3- 饱和SATUD旨在使用特定知识从定量特征推断患者特定信息。它通过估计患者特异性阈值来降低受试者变异性。对在F2中获得的13个定量特征应用保留，以生成41个特征。选择的定性特征和相关阈值数量与F1中描述的属性一致。为此，对于来自F2的每个定量特征， 对 的 性能 从 F1 （其中 翻译的 AASM准则），提取适当的定性特征3那些定性特征列于表1的第3列。测试了确定初始阈值的不同方法。在本申请中，使用统计方法（统计法）选择初始阈值。然后，调整等待值，以使F3.A中描述的成本函数最小化。为此，测试了几种元算法：全局搜索算法，如模拟退火[21]和遗传算法[22，23]以及局部算法，如梯度下降法[24，25]。对于我们的应用程序，单独使用局部搜索算法是无效的，因为需要调整的阈值数量太多。因此，我们选择使用全局搜索算法来初始化搜索区域，但仍然将其与最终的局部搜索算法相结合以获得更好的精度。正如在RepublicdiX B中报告的伪代码中所示，本研究选择的方法是模拟退火与梯度下降的组合。由于受试者之间存在高变异性，因此最佳阈值可能因患者而异。下一节将解释每个患者的支架适应性2.2.5. F3.A-成本估算最终成本被定义为与每个类别（本研究中的睡眠阶段LfinalCost=wc×costc（ 1）c=1其中L是类的数量，wc和costc是权重，3仅计算与AASM指南中描述的睡眠阶段属性相对应的定性特征，即使阈值的数量允许估计更多特征。例如，2个阈值（低→中和中→高）可以生成6个定性特征：低、低或中、中、中或高、高和低或中或高。然而，对AASM指南的研究很少表明需要所有这些功能。其中只有少数几个国家足以将准则付诸实施。··J. Vanbuis等人医学信息学解锁21（2020）1004534∑（）下一页（）下一页（）下一页分别与第c类相关联的成本。重量是可选的。在我们的应用程序中，它们被选择来促进难以识别的睡眠阶段或降级很少发生的睡眠阶段（N1睡眠阶段仅代表夜间约5%成本C定义为：第一章（二）conc（RP1，RP2，使用：表明阈值之间的一般一致性。在没有监督的情况下调整了两人的观点，直到他们同意并相互确认，从而导致了更高的一致性测量（Fleiss 这示于图3.第三章。在该示例中，具有26个时期的长度，对于阈值调整（无监督函数化），c类存在是未知的。阈值越好，当且仅当患者在类别c中时，越多的属性（RP1和RP2）被考虑。阈值调整前，26个时期中有18个时期相互一致（突出显示区域）。这antiScorec=NVi×RPi（3）i=1阈值调整后，数量从18增加到23，导致更好的Fleiss(ii) 最大化类间差异：类间差异是其中，N是类别c的属性的数量，RPi是表示类别c的第i个属性的方面的二进制变量（如下文所解释的），并且Vi是与类别c的第i个属性相关联的权重。这一次，权重的选择是为了更好地翻译AASM指南。事实上，一些属性被清楚地指示为对于睡眠分期更重要。成本函数针对每个记录单独地被最小化。如上所定义的，其等同于i）最大化同一患者的相同睡眠阶段的时期之间的相似性，下文中称为类内相似性，以及ii）最大化属于同一患者的不同睡眠阶段的时期之间的差异，下文中称为类间相异性。(i) 最大化类内相似性：通过最大化conc RP1，RP2，...，R PN来优化类内相似性。这个术语代表了用于描述C类的属性之间的一致性。物业的尊重程度是使用相应的 定性 功能. 为 我们 申请使用Fleiss ' Kappa [ 26 ]估计属性方面之间的一致性这是一种用于评估几个分类向量之间一致性可靠性的统计指标。实际上，我们可以认为，当患者处于特定的睡眠阶段时，与该睡眠阶段相关的大多数特性都受到尊重。当睡眠阶段改变时，这些属性中的某些属性将不再受到尊重。如果我们专注于与特定睡眠阶段相关的属性，则该睡眠阶段的过渡和从该睡眠阶段的过渡将通过其属性的同时变化而突出显示。这些同时发生的变化可以通过评估其相互依赖性来评估。因此，高度的相互依赖性将通过最大化stdantiScorec进行优化。反得分函数被定义为类属性的不尊重的加权和（等式（3））。重量是可选的。对于我们的应用，根据AASM手册，根据经验选择它们来翻译重要性程度。stdantiScorec表示c类抗评分函数的波动（使用标准差值）特定睡眠阶段的反得分函数从0（当与该睡眠阶段相关联的所有属性都被考虑时）变化到1（当没有属性被考虑时）。当调整阈值时，反分值越来越接近其极限（在睡眠阶段中为0，在另一睡眠阶段中为1因此，整个记录上的反分数标准偏差这示于图 4，追求图中提出的例子。3 .第三章。在本例中，反分数标准差增加从0.41到0.47，具有阈值调整。总而言之，成本取决于类内相似性，图三. 属性的简化示例考虑阈值调整前后的行为。C类只有两个属性（P1和P2）。当调整阈值时，关于RP1和RP2的见图4。阈值调整前后的反分数行为的简化示例。C类只有两个属性（P1和P2）。反分数是每个属性（RP1和RP2）的加权和。调整阈值时，其标准偏差值会增加成本=cJ. Vanbuis等人医学信息学解锁21（2020）1004535类间相异性，两者都与每个类的属性有关。每一类属性的尊重是从定性特征值评估。这些值与阈值直接相关。对于每个单独的记录，并且不使用手动评分作为参考，因此通过最小化成本来调整阈值。在该过程结束时，提取患者特异性定性特征（使用最终阈值），并且可以用于分类。3. SATUD评价方法本节专门用于评估SATUD性能，该性能是根据60个记录的总数进行评价的（因为该方法是无人监督的）。SATUD用于从AASM指南中提取可理解并代表具体信息的定性特征。因此，它与其他阈值方法采用相同的方式进行了比较。如下文所述，图1中报告的完整系统一般统计分析（GST）：使用该方法，使用整个数据库的统计信息调整阈值，作为阈值（阈值不依赖于患者）。个体统计学阈值保持（IST）：使用该方法，根据统计信息调整每例患者的阈值（阈值依赖于患者）。首先估计对所获得的定性特征的影响（3.1）。然后测试存在噪声或伪影时的SATUD行为（3.2），并最终评估对分类的影响（3.3）。3.1. SATUD对定性特征的影响使用描述每个睡眠阶段的列表，我们量化了每个时期定性特征与相关睡眠阶段属性之间的一致性。例如，如果在描述睡眠阶段Wake的列表中有10个属性，则具有关于其中仅5个的定性特征的Wake时期具有50%的关于其睡眠阶段属性的全局相关值R结局见第4.1节。3.2. 稳健性测试为了评估SATUD的鲁棒性，我们评估了在几种情况下高度尊重与其睡眠阶段相关联的属性的时期的数量：• 噪声放大：将高斯白噪声添加到所有原始数据中，图五. 在30秒时期期间的EEG信号的示例：（a）具有自然汗液伪影的时期和（b）具有添加的模拟汗液伪影的时期数量一般是有限的[27，28]。出于这个原因，我们测试了在0%（原始信号）至100%的组成记录的时期上添加人工伪影的结果。图5呈现了自然（5a）和人造（5b）汗液伪像示例。结局见第4.2节。3.3. SATUD对分类的前一节中描述的患者依赖性定性特征用于睡眠阶段分类。为了正确估计SATUD的影响，本文测试了第一个简单的分类模型，并与手动睡眠评分进行了比较。高级分类器的实现在配套文件[17]中介绍。然而，有必要通过避免可能与使用强大的分类模型有关的任何偏差来评估SATUD效率。本文中描述的分类器相对透明且易于理解。它不需要培训和测试步骤。事实上，使用调整后的阈值，针对每个时期评估与每个睡眠阶段属性列表的一致性百分比。选择属性与其患者依赖性定性特征之间具有较高一致率的睡眠阶段。在本文中，结果简单地表示为手动评分的准确率，称为Acc：TPTN生理信号原始信号呈现约46 dB的原生信噪比（SNR）。多个SNR水平Acc=TP++TN+FP+FN测试范围为30 dB至0 dB，间隔为10 dB。伪影添加：在神经生理学信号上通常存在几种伪影类型。所有工件都保存在我们的记录中，以在现实生活条件下评估我们的算法。为了进一步测试该方法的鲁棒性，我们向信号中添加了人工伪影。在这项研究中，我们选择了汗液伪影，被认为是最具破坏性的伪影。实际上，在这样的伪影期间，时间和光谱信息都被损害或甚至丢失。人工汗液伪影是使用随机斜率和持续时间在几个自然汗液伪影可视化后定义的间隔内创建的。使用持续时间限制来防止整个30秒段完全由汗液伪影组成。与其他睡眠阶段相比，自然汗液伪影在某些睡眠阶段更经常发生，其中TP、FN、FP和TN分别表示真阳性、假阴性、假阳性和真阴性结局见第4.3节。4. 结果通过生成的定性特征估计SATUD性能（见第4.1节），并与其他两种阈值方法：GST和IST进行比较。然后在第4.2节中报告了对噪声或伪影的稳健性测试结果。第4.3节评价了对分类的影响。···J. Vanbuis等人医学信息学解锁21（2020）1004536≤==-见图6。根据所使用的方法，关于与其睡眠阶段相4.1. SATUD对定性特征的影响图6示出了根据所使用的阈值化方法，尊重其睡眠阶段属性的至少0%-100%的时期的数量。当然，无论使用何种方法，所有时期都至少尊重其睡眠阶段属性的0%。对于SATUD，与其睡眠阶段相关的属性的至少60%-100%相关的时期的数量高于GST和IST。这意味着用SATUD获得的定性特征更好地尊重其睡眠阶段的预期属性。实际上，（8135-4506）和89%（8135-4306）的时期数，GST和IST。当比较SATUD与GST和IST时，我们记录了睡眠阶段W，N2，N3和REM睡眠的改善，但N1睡眠阶段没有改善。4.2. 稳健性测试对GST、IST和SATUD方法进行了第3.2我们首先研究了噪声和汗液伪影对定性fea的影响图。评估了几乎完全符合与其睡眠阶段相关的特性（R>80%）的时期的数量。对GST、IST和SATUD的不同水平的噪声和伪影的结果进行了比较（图1）。 8）。SATUD对噪声的行为在全球范围内与GST和IST相似，但得分更高。几乎没有N1和N3时期几乎完全尊重N1和N3属性。几乎完美地尊重与其睡眠阶段相关联的属性的时期的数量对于除唤醒之外的所有睡眠阶段从10 dB的SNR水平下降，其中它在GST和IST下保持相当恒定，并且对于SATUD缓慢下降。考虑到人工汗液伪影的添加，SATUD的使用再次积极地影响睡眠阶段的属性。然而，这一次，它的表现不同于GST和IST。对于最后那些，伪影的影响非常小，唤醒和N2时期略有增加，REM睡眠逐渐减少。使用SATUD，N2和N3时期经历了改进，而添加汗液伪影，直到它们应用于30%-40%的记录时期。之后，它逐渐减少。45064306SATUD的结果优于GST和IST，分别与GST和IST相比，使用SATUD时尊重与其睡眠阶段相关的属性当关注高度（60%R 80%）或几乎完全（R>80%）尊重与其睡眠阶段相关的属性的时期时，我们根据每个睡眠比较了不同的方法<阶段 图 7显示了SATUD对这些时期的影响，见图7。根据所使用的方法，对于每个睡眠阶段，时期的数量高度（60% 80%）地尊重与其睡眠阶段相关联的属性。时期的数量尊重与他们的睡眠阶段相关联的几乎完美的属性。虽然仍然优越，但其在噪声和伪影情况下的行为与GST和IST阈值方法在全球范围内相似。4.3. SATUD对分类的估计所有三种方法的分类全球准确率。 对于原始信号，SATUD与参比品的最佳一致性为Acc 55%，而Acc 45%和AccGST和IST分别为46%（表2）。混淆矩阵如图9所示。如果与IST和GST（图9b和c）相比，SATUD混淆矩阵（图9a）记录了睡眠阶段N2和N3的显著改善。表2中报告了不同水平的噪声和伪影的结果。SATUD对各种信号的衰减都取得了最好的结果。对于IST和SATUD，汗液伪影对分类评分没有重要影响5. 讨论在我们的研究中开发的方法，被称为SAUD（自适应保持使用描述符算法），旨在促进数据依赖的特征获取用于分类。它通过最小化成本函数来自动和无监督地调整阈值。通过数学推理和专家知识的转化确定了成本函数。对于我们的应用程序，SATUD被用来减少自动睡眠分期之前受试者变异性的影响。它再现了专家在手动评分睡眠时所做的第一次筛查。这个预处理步骤证明了它的价值，因为与其他两种阈值方法相比，SATUD显示出与睡眠阶段相关的属性的时期一致性的改善。与GST（一般统计保持）和IST（个体统计保持）相比，几乎完全尊重其睡眠阶段属性的时期数量从不到3000增加到J. Vanbuis等人医学信息学解锁21（2020）1004537见图8。具有与其睡眠阶段相关联的性质的几乎完美一致（R>80%）的时期数量的演变：（a）用增加的噪声测试的SATUD阈值，（b）用增加的伪影数量测试的SATUD阈值，（c）用增加的噪声测试的IST阈值，（d）用增加的伪影数量测试的IST阈值，（e）用增加的噪声测试的GST阈值，以及（f）用增加的数量测试的GST阈值。艺术品。超过7300个时期，使用睡眠阶段N2的SATUD。该阶段的分类效果最好。我们可以认为SATUD突出了这个睡眠阶段，可能是因为它几乎占了一个晚上的50%相反，对于所有方法，N1是睡眠阶段的效果最差。这可以解释为N1是一个过渡阶段，只发生在夜间的5%。此限制对分类性能没有显著影响，因为N1似乎很少见，而N1错误很常见J. Vanbuis等人医学信息学解锁21（2020）1004538表2在鲁棒性测试时，根据不同的阈值方法进行人工评分的准确率。SAUD鲁棒IST噪声测试结果GST原始信号百分之五十五百分之四十六百分之四十五30 dB SNR百分之五十五百分之四十六百分之四十五20 dB SNR百分之五十四百分之四十六百分之四十五10 dB SNR百分之四十四百分之三十四百分之三十四00 dB SNR百分之四十三百分之三十二百分之三十三汗液伪影的稳健性测试结果原始信号百分之五十五百分之四十六百分之四十五百分之二十百分之五十五百分之四十五百分之四十一百分之四十百分之五十五百分之四十五百分之三十七百分之六十百分之五十四百分之四十四百分之三十六百分之八十百分之五十四百分之四十四百分之三十五百分百百分之五十四百分之四十四百分之三十三在文献中，甚至在手动评分器中[29]。测试的主要分类工具也显示SATUD的结果高于GST和IST。N3睡眠阶段的改善更为重要。所提出的方法也表现出良好的性能，噪声和文物。在信噪比达到10dB之前，SATUD对附加白噪声不敏感。注意，这是使用如在多导睡眠图中使用的传感器将难以达到的重要噪声水平。此外，这种噪声也会使手动评分复杂得多，导致记录的可能无效。人工汗液伪影对SATUD和IST分类一致率没有重要影响。然而，关于SATUD，他们倾向于几乎完美地增加与睡眠阶段N2和N3的睡眠阶段相关联的属性的时期的数量，直到大约30%-40%的限制。这可以通过以下事实来解释：这些睡眠阶段的一个属性是高振幅，更经常地与汗液伪影的添加相一致。此外，当使用SATUD时，几乎完美地尊重唤醒属性的唤醒时期的数量随着汗液伪影而增加。原因是，激动的唤醒可以使饱和出现在信号上，就像存在汗液伪影一样。所提出的方法显示了其效率，特别是因为所使用的数据库是由许多患者的各种病理。基于医学知识，这种方法的建立有助于开发一个用户友好的睡眠分期系统。正如配套论文[17]中所讨论的那样，由于几个局限性，医生很少考虑睡眠分期系统。其中之一是缺乏透明度的模型，通常被认为是黑盒。为了克服这一限制，一种复制手动评分过程的在配套文件IMU-D-20- 00021 R1中实现。为了给医生提供具体的元素，选择定性特征作为分类器的输入。然而，如果不针对每个患者进行调整，这些特征可能是有问题的。SATUD旨在提取患者依赖的定性特征，而不需要睡眠专家先前的部分评分SATUD方法有可能转置到其他应用中。然而，它需要对特定领域有很好的了解，并确定描述每个类别的最大规则。这些众多的规则是SATUD功能的关键点，使得在不需要关于分类输出的知识的情况下使用。因此，该算法可以在实时条件下运行6. 结论本文提 出了一种从数 据集中提取 特征的方法。 这种方法称 为SATUD，是配套论文的核心[17]，致力于多导睡眠记录的自动睡眠分期。SATUD方法是将数学推理和医学知识相结合的方法的产物。与其他阈值方法相比，SATUD允许根据每个睡眠阶段更好地概括特征。性能证明，所得到的功能显着符合预期的睡眠阶段的属性。还开发了一个简单的分类模型（以测试SATUD，而不受复杂分类器能力的影响）。与其他阈值方法相比，SATUD报告的结果更好。在60名患有各种睡眠疾病的患者身上获得的这一性能证实了这种方法适用于睡眠分期。对噪声和伪影的测试表明，该算法具有足够的鲁棒性。该配套文件[17]提出了一个完整的和用户友好的分类模型的基础上提取的特征。获得的分类对每个患者诊断的影响的详细分析也值得研究。资金这项工作得到了卢瓦尔河地区圣呼吸研究所的资助。竞合利益作者声明，他们没有已知的可能影响本文所报告工作图9.第九条。预测和真实标签之间的分类一致率（百分比）：（a）SATUD阈值方法，（b）IST阈值方法和(c)GST阈值法J. Vanbuis等人医学信息学解锁21（2020）1004539确认这项工作得到了卢瓦尔河地区圣呼吸研究所的资助。作者要感谢卢瓦尔河沿岸的圣呼吸道研究。 我们感谢JulienGodey，LaetitiaMoreno和Marion Vincent，他们是昂热大学医院呼吸和睡眠医学部的睡眠技术人员。我们感谢罗伯托·隆戈的贡献。Christelle Gosselin和Jean-Louis RacineuX，来自Institut de附录AA. SATUD雇佣本附录提供了使用SATUD进行睡眠阶段分类的简化版本。因此，我们只考虑两个病人，病人1和病人2，我们承认他们有一个类似的夜晚。为了更好地理解，我们将睡眠阶段N1，N2和N3合并为所谓的NREM睡眠。在附录中还考虑了尾流仅由闭着眼睛的平静尾流组成。简化的睡眠图如图11所示。 A.1.图A.1. 简化的睡眠图显示了患者1和患者2的夜晚。然后，目标是使用每个患者的信号检索睡眠图，知道每个患者之间存在差异。表A.1给出了高度简化的睡眠阶段描述（F1）。对于这个例子，只有三个属性被用来描述唤醒，REM睡眠和NREM睡眠。表A.1简化睡眠阶段描述。SATUD旨在根据表A.1中所示的属性估计阈值。然后，分类工具将能够重建睡眠图。对于患者1和患者2，必须调整阈值直到H-L-LParticipWake、M-MH- MParticipREM和L-L- HParticipNREM。如图A.2所示，如果阈值调整得很好，则将考虑每个患者的属性。由于在清醒期间以及在NREM期间低的快速眼球运动，我们可以看到，对于清醒和NREM睡眠，属性恢复相互依赖性不是100%如果阈值没有正确地设定，例如快速眼动阈值太高，则与REM睡眠相关联的快速眼动为中或高的属性将永远不会被遵守。关于REM睡眠的相互依赖性的特性的结果将被恶化，如图A.3a所示。对于每个睡眠阶段，必须最大化关于相互依赖性的属性以找到最佳阈值。然而，如果阈值与正确值相差太远（高度错误），则可能会产生一种情况，即属性之间的相互依赖性将达到最大值，如图A.3b所示。为了防止这种情况，已经考虑了波动。事实上，我们可以假设所有的睡眠阶段都会在一整晚出现。为了估计波动，使用每个属性的不尊重的加权和来创建反分数。下面是这个反分数的例子antiScore唤醒=0。4×α H+0。4× rapEyeMovL+0. 2×EEG ampL（A.4）NREM低低高a对于该示例，仅考虑了闭上眼睛的唤醒。（A.5）图A.2. 当阈值被完美地调整时，每个睡眠阶段的属性示例。使用表A.1，我们可以理解，即使有完美的调整阈值，属性方面之间也不总是100%的相互依赖性。这是由于在不同的睡眠阶段中要尊重某些属性的可能性。α波快速眼动脑电振幅唤醒REM高中低中等或高低中antiScoreREM = 0。3 ×α M+0。4×rapEyeMovMH +0。3×EEGampMJ. Vanbuis等人医学信息学解锁21（2020）10045310antiScoreNREM=0的情况。3×alphaL+0. 4×rapEyeMovL+0. 3 ×EEGampH（A.6）REM睡眠反评分在不同情况下的行为如图所示。 A.2和Fig. A.3如图所示。 A.4.我们可以看到，当阈值为很好地调整，并且当阈值高度错误时为空为每个在睡眠阶段，必须最大化反分数波动以找到最佳阈值。为了最大化每个睡眠阶段的属性相互依赖性和抗分数波动，成本被评估为：成本唤醒=1conc×1（alphaH，rapEyeMovL，EEGampL）1std（antiScore唤醒）（A.7）1图A.4. 当阈值调整良好时，当与快速眼动相关的阈值设置得太高时，以及当所有阈值都高度错误时，REM睡眠antiScore行为。成本REM =conc（alphaM，rapEyeMovMH，EEGampM）×std（antiScoreREM）（A.8）finalCost =0。35×成本唤醒+0. 35×成本REM+0。3×成本NREM（A.10）11在该示例中，与唤醒和REM睡眠相关联的权重是成本NREM = conc（alphaL，rapEyeMovL，EEGampH）× std（antiScoreNREM）（A.9）在这个例子中，总成本可以定义为：高于NREM睡眠的体重。事实上，我们估计清醒和快速眼动睡眠更难检测，并决定更加重视它们。然后使用F3中解释的几种全局和局部搜索算法来最小化方程（A.10）图A.3. 快速眼动睡眠的属性方面的例子：（a）当与快速眼动相关的阈值设置得太高时，以及（b）当所有阈值都高度错误时。J. Vanbuis等人医学信息学解锁21（2020）10045311附录BB. SATUD伪码SATUD伪码在算法B.1中给出。 它在这里使用全局搜索算法（1.3 -7），然后是局部搜索算法（1.8 -12）。如等式（1）中所述评估“FinalCost”函数，其中权重w c根据经验定义。算法B.1.SATUD的伪代码引用[1] CroftJB. CDC 2017年。[2] Peppard PE，Young T，Barnet JH，Palta M，Hagen EW，Hla KM.成人睡眠呼吸障碍的患病率增加。美国流行病学杂志2013;177：1006-14。[3] 放大图片作者：Franklin KA，Lindberg E.阻塞性睡眠呼吸暂停是一种常见的人群疾病-睡眠呼吸暂停的流行病学综述。J Thorac Dis 2015;7：1311-22.[4] Berry RB，Brooks R，Gamaldo CE，Harding SM，lloyd RM，Quan SF，TroesterMM，Vaughn BV.睡眠和相关事件评分的AASM手册：规则，术语和技术规范，美国睡眠医学学会第2.4号。2017.达连岛[5] Biswal S，Sun H，Goparaju B，Westover MB，SunJ，Bianchi MT.使用深度神经网络进行E x pert-level睡眠评分。美国医学信息杂志2018;25：1643-50。[6] 张L，Fabbri D，Upender R，Kent D.使用深度神经网络对睡眠心脏健康研究进行自动睡眠阶段评分。42.第四十二章[7] Enshaeifar S，Kouchaki S，Took CC，Sanei S.脑电四元数奇异谱分析及其在睡眠分析中的应用。IEEE Trans Neural SystRehabil Eng 2016;24：57-67.[8] [10]李文辉，李文辉，李文辉，李文辉，李文辉. 学习机器和睡眠大脑：使用决策树多类支持向量机的自动睡眠阶段分类。J Neurosci Methods 2015;250：94-105.[9] Mahvash Mohammadi S，Kouchaki S，Ghavami M，Sanei S.基于奇异谱分析的时频域睡眠脑电分类方法研究.J Neurosci Methods2016;273：96[10] Charbonnier S，Zoubek L，Lesecq S，Chapotot F.自我评估自动分类器作为睡眠/觉醒分期的决策支持工具。计算机生物医学2011;41：380-9.[11] Garcia-Molina G，Abtahi F，Lagares-Lemos M.使用眼电图的自动NREM睡眠分期：一项试点研究。在：医学和生物学工程学会（EMBC），2012年IEEE年度国际会议。IEEE; 2012年。p. 2255- 8[12] Fraiwan L，Lweesy K，Khasawneh N，Wenz H，Dickhaus H. 基于单通道脑电时频分析和随机森林分类器的自动睡眠阶段识别系统。 计算方法进展生物医学2012;108：10-9。[13] 佐凯尼科湾自动睡眠阶段分类。博士论文 2016年。[14] 乌贡河 象征与多元睡眠的融合。 博士 论文 2015年。[15] 陈丙个人化自动睡眠阶段分类之电子健康系统。 博士 论文 皮埃尔和玛丽·居里大学-巴黎第六大学;2016年。[16] [10]陈伟，陈伟.结合符号