Sistema para microanálise e classificação automática do electroencefalograma de sono

Abstract

A investigação automática de sono teve início na década de 60, principalmente pelo interesse nas perburbações de sono manisfestadas por cada vez maior número de pessoas. A classificação visual de um registo de sono é uma tarefa monótona, morosa e cara. Um registo poligráfico de uma noite de sono tem cerca de 500m de comprimento e, um especialista pode levar algumas horas a analisá-lo. Este trabalho apresenta um sistema onde é possível a classicação automática em estádios de sono e a microanálise dos eventos detectados. No sistema de multiprocessamento (HIDRA), as actividades do EEG/EOG são detectadas em tempo real utilizando uma filosofia de multifrequências de amostragem. No final da noite, os parâmetros temporais das actívidades (duração, amplitude, período) estão armazenados em disco num ficheiro binário. A partir da informação armazenada é também apresentado um estudo estatístico dos parâmetros, o que mostra que neste sistema os estudos clínicos podem ser fácilmente concretizados. Além disso, as estatísticas foram também utilizadas para melhorar a concordância na classificação. A classificação em estádios de sono é feita por uma rede neuronal treinada com o algoritmo "back propagation". A entrada da rede é constituída por vectores que descrevem a percentagem das actividades detectadas no minuto e, a saída é o estádio de sono. O grau de concordância com a classificação visual é a medida de "performance” da rede. A concordância é estudada para o perceptrão e redes multicamada considerando estratégias de treino distintas. Nesta aplicação, com o perceptrão e redes multicamada obtêm-se concordâncias idênticas, especialmente se ambas as topologias aprenderem o conjunto de treino. A melhor estratégia para treinar uma rede é utilizar o conhecimento humano. A concordância obtida pelas redes tem valores idênticos a outros métodos de reconhecimento de padrões bastante mais elaborados.

Automatic sleep analysis has been a subject of interest since the sixties, mainly because of the growing importance of various sleep disorders. The visual analysis of sleep recordings is a tedious, laborious, time-consuming and expensive task. During a single night recording, 400-500 meters of paper are produced and the visually analysis usually takes several hours of an especialist time. This work presents an environment where it is possible to do EEG microanalysis as well as sleep staging. On a multiprocessor system a real-time and multirate implementation is done for the detection of EEG and EOG activities. At the end of real-time analysis on EEG/EOG signals we have all the activities described by temporal parameters (such as duration, period and amplitude). A study of off-line parameter statistics is also presented, which proved that drug and age effects can be easily achieved in this environment. These statistics can also be used to validate the detected events to improve the system performance on sleep scoring. The sleep scoring is done by a feedforward neural network trained with the back-propagation algorithm. The input of the neural network is a feature vector that describes the amount of the detected EEG activities within a minute and where the sleep stage is the output. The performance of the neural network is the degree of agreement with the human scorer (88%). This work also compares the performance of a single and multilayer perceptrons under different training strategies. For this application single and multilayer perceptron performed at some level (specially if both can learn the training set), and the best strategy to train the network is the use of human apriori knowledge. The neural network performs at the same level as other, much more difficult to implement, pattern recognition algoritms.