ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ Fakulta elektrotechnická katedra kybernetiky
DIPLOMOVÁ PRÁCE
2008
Karel Mucha
0
ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ FAKULTA ELEKTROTECHNICKÁ KATEDRA KYBERNETIKY
Analýza kvality spánku DIPLOMOVÁ PRÁCE
Vedoucí práce: Ing. Daniel Novák PhD. Student: Mucha Karel
květen 2008
1
2
Anotace Diplomová práce slouží jako úvod do problematiky kvality spánku. Popisuje průběh spánku, spánkové mechanizmy a funkce spánku, popisuje choroby a poruchy související se spánkem. Cílem této práce je vytvoření metody pro detekci spánkových stavů a spánkové Apnoe z EKG. Ke klasifikaci jsou použity umělé neuronové sítě, především pak LSTM (Long Short-Term Memory). Vstupní příznaky pro neuronové sítě jsou získávány pomocí metod pro zpracování variability srdečního rytmu a Detrendované analýzy fluktuace. Práce je výjimečná tím, že se v ní pracuje se skutečnými daty získanými ze spánkové laboratoře. V budoucnosti by mohli mít výsledky reálné uplatnění v medicíně. Detekce spánkové Apnoe je ohodnocená podle Challenge 2000 Physionet databáze. Je dosaženo úspěšnosti 82.1%, sensitivity 85.5% a specificity 80.1%. Při detekci spánkových stavů na databázi 10 pacientů jsem dosáhl úspěšnosti 77.7% na trénovacích datech a 50% na testovacích datech. Spánek byl klasifikován do čtyř tříd.
Annotation The diploma work is an introduction into a sleeping quality problems. It describes sleeping process, mechanisms and functions of the sleep. The work inform us about diseases and disorders related to the sleep. The goal of the work is to propose a technique for a detection of sleep Stages and sleep Apnea from ECG. Artificial Neural Network are used for the classification, above all LSTM (Long Short-Term Memory). The feature extraction stage was performed using methods of Heart Rate Variability and Detrended Fluctuation analysis. This work contributes to the actual state of art due to the use of real-world data from a sleep laboratory. The outcomes could be of use in the future work. The framework for a detection sleep Apnea was evaluated on Challenge 2000 Physionet database yielding successful rate 82.1%, sensitivity 85.5% and specificity 80.1%. Sleep analysis was performed on database set of 10 patient and we reached the accuracy of 77.7% on training data and 50% on test data classifying the sleep stage in one of four classes.
3
4
Poděkování Na tomto místě bych rád poděkoval všem, kteří mi umožnili vytvořit tuto práci. Zejména pak svému vedoucím práce panu Ing. Danielu Novákovi PhD. Za rady a připomínky týkající se mé práce.
5
Obsah : 1. Úvod…………………………………………………………………………………….. 8 1.2Úvod do problematiky…………………………………………………………….. 8 1.2 Cíl bakalářské práce…………………………………………………………….… 8
2. Lidský spánek………………………………………………………………………... 9 2.1 Úvod do Historie…………………………………………………………………... 9 2.2 Spánkové stavy a Pravidla Rechtschaffena a Kalese………………………... 10 2.3 Cyklické střídání vzoru…………………………………………………………… 13 2.4 Fyziologie spánku…………………………………………………………………. 14 2.5 Funkce spánku……………………………………………………………………... 16 2.6 Experimenty………………………………………………………………………... 17 2.7 Modely spánkové regulace………………………………………………………. 18
3. Poruchy spánku………………………………………………………………………19 3.1 Základní pojmy…………………………………………………………………….. 19 3.2 Anamnéza pro zjištění příčin poruchy spánku………………………………... 20 3.3 Dyssomnie………………………………………………………………………….. 21 3.3.1 Insomnie………………………………………………………………………… 21 3.3.2 poruchy s nadměrnou ospalostí během dne………………………………….. 23 3.3.3 Syndrom nepokojných nohou a porucha s periodickým pohybem končetin 26 3.3.4 Poruchy denního rytmu………………………………………………………... 27 3.3.5 Poruchy vyvolané působením toxinů, léků nebo drog……………………… 27
3.4 Parasomnie………………………………………………………………………….. 28 3.4.1 Noční děsy a náměsíčnost……………………………………………………... 28 3.4.2 Ostatní parasomnie…………………………………………………………….. 29
4. EKG…………………………………………………………………………………….. 31 4.1 Úvod………………………………………………………………………………….. 31 4.2 Části EKG signálu…………………………………………………………………..31
5. Zpracování EKG……………………………………………………………………. 32 5.1 Detekce QRS………………………………………………………………………... 32 5.2 Analýza EKG……………………………………………………………………….. 33 5.2.1 DFA……………………………………………………………………………... 33 5.2.1.1 Úvod DFA………………………………………………………………….. 34 5.2.1.2 Opravné exponenty………………………………………………………… 34 5.2.1.3 Detrendovaná analýza fluktuace…………………………………………… 34 5.2.1.4 DFA vyšších řádů………………………………………………………….. 36 5.2.2. Výpočet dalších parametrů…………………………………………………… 36 5.3 Neuronové sítě……………………………………………………………………… 38 5.3.1 Feed-Forward a Elmanova síť………………………………………………... 38 5.3.2 Long Short-Term Memory (LSTM)………………………………………….. 40
6
6. Aplikace metod na reálná data………………………………………………… 44 6.1 Detekce spánkové Apnoe………………………………………………………….44 6.1.1. Úvod……………………………………………………………………………. 44 6.1.2. Klasifikační schéma…………………………………………………………... 45 6.1.3. Klasifikace……………………………………………………………………... 46
6.2 Detekce spánkových stavů………………………………………………………...52
7. Závěr……………………………………………………………………………………. 54 8. Literatura……………………………………………………………………………… 56 9. Přílohy…………………………………………………………………………………. 59 A. Výsledky detekce spánkové apnoe………………………………………………. 59 B. Výsledky detekce spánkových stavů…………………………………………….. 92
7
1.Úvod 1.1 Úvod do problematiky Medicína spánku je relativně mladá specializace ale neustále roste počet jejích pacientů, lékařů i spánkových center. Počet rozpoznaných poruch spánku a velký výskyt těchto poruch v celé populaci svědčí o tom, že správná diagnóza a pomoc pacientům, kteří mají problémy se spánkem, není ani zdaleka triviální záležitostí. Přestože pacient, který udává problémy se spánkem, často znamená diagnostický problém, úspěšné vyšetření a zvládnutí poruchy spánku, z nichž většina je úspěšně léčitelná, má většinou za následek dramatické zlepšení kvality pacientova života.
Vývoj metod zkoumání spánku a je relativně mladá záležitost. Zatím není spánkových center příliš mnoho. Pro pacienta je také nepříjemné že musí trávit
při vyšetření hodně času
v nemocnici. Což je také poměrně nákladná záležitost. Proto se vyvíjí levnější metody pro určování spánkových stavů a chorob. Například detekce pouze ze signálu EKG což je cíl této práce. Zajištění signálu EKG není příliš nákladné a pacient může být při záznamu doma.
1.2 Cíl diplomové práce Cílem této práce je seznámení se s problematikou kvality spánku, s vývojem metod zkoumajících spánek. Měli by jsme se seznámit s rozdělováním spánkových stavů. Se spánkem dále souvisí velké množství spánkových chorob, které se týkají značného procenta dnešní populace. Měli bychom se seznámit se EKG a několika analýzami, které budeme následně používat pro jeho zpracování. Nakonec se seznámíme s problematikou neuronových sítí, s jejichž pomocí budeme provádět konečné rozhodování. Hlavním cílem práce je návrh metody pro detekci spánkových stavů a detekci spánkové apnoe z EKG záznamu.
8
2. Lidský spánek
2.1 Úvod do Historie Začátek moderního spánkového výzkumu sahá do třicátých let 20. století a je těsně spojený s vynálezem EEG. V roce 1937 byl Loomis první kdo sledovat že spánek není stejnorodý stav během celé noci a popsal různé stupně spánku založeného na EEG [1]. V roce 1953, Aserinsky a Kleitman určili zvláštní stav spánku - rapid eye movment (REM) spánek, během kterého se vyskytují rychlé, binokulární souměrné oční pohyby , EEG vzor je podobný jako ten pozorovaný během bdělosti a obě dýchací a srdeční aktivity jsou zvýšené na rozdíl od dalších stupňů spánku. Výsledkem jejich experimentů byl vztah mezi REM spánkem a sněním:většina lidí probuzených z REM spánku ohlásila sny, zatímco lidi probuzení během REM spánku si na sny nemohli vzpomenout [2].Z nočního nahrávání EEG a elektrookulogramu (EOG), Kleitman a Dement specifikovali cyklický vzor REM -nonREM spánku. Jeden cyklus REM-nonREM vydrží asi 900100 minut a během noci se vyskytuje 4-5 cyklů. Aserinsky a Kleitman také dělil nonREM spánek do čtyř stupňů: od 1 do 4, nejlehčí spánek je 1 stupeň a nejhlubší 4 stupeň.
Obrázek 1: Umístění elektrod polysomnografického měření
9
2.2 Spánkové stavy a Pravidla Rechtschaffena a Kalese Hlavní stavy jsou probouzení(W), REM spánek a nonREM spánek. NonREM spánek se dále dělí do čtyř stavů, od nejlehčího stavu 1 do nejhlubšího stavu 4. Stav 3 a 4 jsou označovány jako spánek pomalých vln (SWS).
Četnost spánkových stavů se mění během noci - v prvních
hodinách spánku převládá SWS, zatímco REM spánek nastane častěji v druhé části spánku. Podíl REM spánku během noci se mění s věkem - u novorozenců REM spánek trvá 50%, v dospělosti 20%.
Základní metoda klinického spánkového výzkumu u lidí je polysomnografie. Skládá se z měření electroencephalogramu (EEG), electrooculogramu (EOG) a electromyogramu (EMG), je vidět na Obr.1. Eelektroencephalografie je základní metoda pro správné rozlišování spánku. Pracuje na principu snímání elektrické aktivity kůry mozkové. Kvalita EEG nahrávání závisí na technických parametrech [3].
Spánkové stavy jsou označovány podle "A Manual of Standardized Terminology, Techniques and Scoring System for Sleep Stages of Human Subject", který byl vypracovaný v roce 1968 výborem kterému předsedali A.Rechtschaffen a A.Kales [4]. Účel této směrnice a standardních kritériích byla zvětšit srovnatelnost a replikovatelnost výsledků vyplývajících z různých laboratoří. Tento manuál zahrnoval parametry, techniky a vlnové vzory polysomnografických nahrávek. Byl zaznamenán jeden kanál EEG, dva kanály EOG a jeden kanál EMG. Derivace EEG C4/A1 nebo C3/A2 jsou poskytovány od 10 - 20 elektrodového systému (Obr.2). Potenciály očního pohybu jsou měřeny z 1 cm nad a mírně na stranu od očního koutku jednoho oka a 1 cm dole a mírně do strany u druhého oka. Referenční elektrody pro oboje oči jsou umístěny na stejném ušním lalůčku. EMG je zaznamenáváno pod bradou. Umístění elektrod z polysomnographického nahrávání je nakreslené na Obr.1. Stavy jsou měřeny po 20-30 s intervalech.
Waking(stav W) Charakteristické je nízké napětí(10- 30uV) a různé frekvence EEG během doby kdy nespíme(Obr.3). Možné rysy jsou alfa aktivita v EEG a relativně vysoké EMG.
10
Stav 1 Stav 1 je charakterizovaný malým napětím, směsí frekvencí EEG s největší amplitudou ve rozsahu 2 - 7 Hz. Můžou se vyskytovat vrcholy ostrých vln; jejich rozkmit může dosáhnout hodnoty asi 200uV. Ve stavu 1 po bdělosti mohou být oční pohyby současné. EMG úroveň je menší než v bdělosti. Stav 1 je také období které je charakterizované aktivitou alfa v kombinaci se smíšenou frekvencí EEG a množství alfy aktivity je menší než 50% období.
Stav 2 Stav 2 je charakterizován vlnovými vzory spánkových vřeten ,K komplexů a nepřítomnosti pomalých vln (Obr.3). K komplex je ostrá záporná vlna následovaná pomalejší pozitivní vlnou. Spánková vřetena se vyskytují v rozsahu mezi 12- 14 Hz. Trvání těchto vzorů by mělo být minimálně 0.5 s. Jestli čas mezi dvěma následujícími výskyty spánkových vřeten nebo K komplexů je menší než 3 min, je tento interval je označený jak stav 2, jestliže ne - existují pohybová vzrušení nebo zvětšený napěťové aktivita. Časový interval je větší než 3 min, je označený jako stav 1.
Stav 3 20%-50% období EEG záznamu by mělo obsahovat vlny s 2 Hz nebo pomalejší a s rozkmity nad 75uV (Obr.3).Během stavu 3 se vyskytují Spánková vřetena a K komplexi.
Stav 4 Stav 4 má stejné atributy jako stav 3, ale vlny s 2 Hz a pomalejší s rozkmity většími než 75 uV se objevují více než na 50% doby.
Stav REM Stav REM ukazuje nízké napětí a smíšenou frekvenci (podobné stupni 1) z EEG, vlnový vzor(Obr. 3). EMG dosahuje nejnižší úrovně a vyskytují se epizodické rychlé oční pohyby (REMs).
Pohyblivá doba Jestli ve více než polovině úseku EEG, EMG nebo svalová aktivita nejasná, období neodpovídá ani spánkem ani probouzení, označí se za pohyblivou dobu. Není to stejné jako diskrétní tělesné
11
pohyby, které můžou být kratičké. Tělesné pohyby mohou být část spánkového stupně nebo pohyblivé doby.
Obrázek 2: 10 – 20 elektrodový systém pro měření EEG
Obrázek 3: Vlnové vzory rozdílných spánkových stavů
12
Existují případy kdy žádná pohybová vzrušení nejsou přítomna, EEG vykazuje relativně nízké napětí a smíšené frekvence, a spánková vřetena(K komplexi) charakteristické pro stupeň 2 se prostřídávají s typickými rysy ze stavu REM( REMs, nejnižší úroveň EMG). Pak se používají tyto pravidla:
1) Stav REM: EMG je v nejnižším stupni nebo se vyskytují rychlé pohyby očí 2) Stav 2: interval mezi dvěma spánkovými vřeteny nebo K komplexi je menší než 3 minuty. Pravidla
Recgtschaffena a Kalese byla užívaná více než 35 let, ale mají
nedostatky a nevýhody [5]: - Ignorují události kratší než 30 sekund. Jestliže interval obsahuje znaky více nevýrazných stavů, je označen stav jehož rysy mají nejdelší trvání. -Jsou určeny pro zdravé dospělé lidi a z toho důvodu, není možné posuzovat atypické vzory v případě nemocných lidí nebo dětí. - Některé vlnové vzory (spánková vřetena, K komplexy) nejsou dobře definovány, zvláště s ohledem na automatizované určení spánkových stavů.
2.3 Cyklické střídání vzoru Střídání výše uvedených definovaných spánkových stavů reprezentuje makro-dynamiku mozku. Konkrétně u spánkového stavu úroveň probuzení se předpokládá že je stabilní . Různý přístup dává představu cyklického střídavého vzoru(CAP). CAP je " periodická EEG aktivita nonREM spánku, je charakterizována sekvencemi z přechodných elektro-kortikálních událostí které jsou odlišné od pozadí EEG aktivity a vrací se v až po 1 min. intervalech" [6]. CAP je funkční spojení s fluktuací po probuzení. CAP sekvence se vyskytují ve všech stavech 1, 2, 3 a 4 ale přednostně po 4 spánkovém stavu, po probuzení se během spánku a před přechodem z nonREM do REM spánku.
V normálním REM spánku se CAP nevyskytuje. Poměr času
(CAP)/doba(NREM) u mladých dospělých je asi 23% a zvyšuje se s věkem.
13
Obrázek 4: Cyklické vzory ve spánkovém stavu 2. A-fáze A, b-fáze B
CAP je složený ze dvou fází - fáze A a fáze B (Obr.4). Přinejmenším dva CAP cykly se musí vyskytovat po sobě abychom je mohli považovat za CAP sekvence. Fáze A představuje události vycházející z rytmu v pozadí - náhlé změny ve frekvenci nebo amplitudě. Fáze B je intervalem ležícím mezi fázemi A. Podle Americké Asociace Spánkových Poruch CAP, sekvence a mikro probouzení mohou signalizovat nestabilitu nebo poruchy spánku se škodlivým efektem na spánek. Halász, Terzano představili protichůdnou představu [7]: sekvence mikro probuzení a CAP jsou přirozené části spánkové struktury. Fyziologická funkce CAP by mohlo být ochranná vratnost spánku a také spojení mezi spícím mozkem a jeho okolím pro přizpůsobení se k potenciálním změnám a nebezpečím.
2.4 Fyziologie spánku Cyklus spánu a bdělosti je regulovaný více podpůrnými systémy, které jsou rozšířeny všude v mozku. Spánek začíná aktivací preoptické oblasti předního hypothalamu. Spánek podporující neurony vedou signály do bdělost podporujících center a za pomoci neurotransmiteru kyseliny γaminomáselnoé(GABA) je tlumí. Inhibice bdělost podporujících neuronů funguje na základě 14
aktivace spánek podporujících neuronů, důsledkem čehož je intenzifikace spánkového procesu [8].
Obrázek 5: Spánková a budící centra
REM spánek je regulován převážně mozkovým kmenem. Dvě nejdůležitější jsou laterodorsální (LTD) a peduukulopountní (PPT) tegmentální jádra.LTD a PPT vysílají neurony do thalamu, bazálního předního mozku a kůry která produkuje desynchronizované EEG vlny. Sestupné dráhy k α-motoneuronům způsobují atonii kosterních svalů. Typická neuronální aktivita před REM (PGO vlny) vzniká v pontu (most warolův) a šíří se přes nucleus geniculatus lateralis v thalamu do týlního laloku [9].
Probouzecí a probouzení podporující centra jsou umístěna v zadním hypotalamu, bazálním předním mozku, mezopontivním tegmentu a obsahují cholinergní, noradrenergní, serotoninergní a histaninergní neurotransmitery. Probouzení začíná v retikulárním aktivačním systému (RAS), který dostává signály z orgánových motorických a senzorických systémů. V RAS se signály přepojují do předního mozku a kůry přes thalamické a extrathalamické cesty.
15
2.5 Funkce spánku Po dlouhý čas se lidé zajímali, proč je spánek tak nezbytný pro život. Je mnoho teorií, které se snaží vysvětlit funkce a smysl spánku. Některé z nich uspokojivě interpretují některá fakta, ale široce uznávaná teorie, která by vysvětlovala všechny fenomény a experimenty dosud neexistuje. Zde jsou zmíněny jen hlavní teorie:
1. Konzervace energie: hlavní argument pro to, že důvodem spánku je zajišťování energie jsou – během spánkové deprivace je spotřeba energie zvýšena a oproti tomu běhen spánku je bazální metabolismus snížen o 5 – 25% 2. Obnovení tkání a růstu: během první hodiny spánku se uvolňuje růstový hormon, je zvýšené dělení buněk a bílkovinná syntéza. V čase růstu nebo po více pracném dni je během noci množství NREM spánku zvětšené. However J. Horne kritizoval tuto teorii [10]. Podle něho nastane dělení buněk několik hodin po příjmu potravy a má rytmus vyskytující se periodicky 1 krát za 24 hodin, klesající spotřeba energie metabolismu je v rozporu se syntézou bílkovin která potřebuje vyšší náklady na elektrickou energii a zvětšená teplota hlavy po této činnosti způsobí zvětšený poměr SWS. 3. Termoregulace: v experimentu s krysami, dlouhodobě spánkově zanedbané krysy ukázaly teplotní zvýšení asi o 10 stupňů [11], proto spánek pravděpodobně snižuje teplotu. 4. Regulace emocí [12]: u lidí málo spánku způsobuje poruchy emočního chování(jako koncentrace, zájem pro odlišný cíl, atd.), nedostatek SWS navozuje depresivní nebo hypochondrické stavy. Proto je NREM spánek pravděpodobně spojený s regulací těchto emocí. Tato teorie je podporovaná klinickými pozorováními depresivních pacientů, kteří mají kratší trvání NREM spánku právě tak jako že metabolizované dávky a neuronová aktivita je vyšší v mozkových oblastech které řídí emoce.Během NREM spánku byly v rozporu s probouzejícím stavem. 5 .Nervové dozrávání: část teorií o spánkových funkcích se zabývá REM spánkem. Procento REM spánku z celkového spánkového času se snižuje s věkem - v 6 měsících prenatální fáze tráví děti asi 80% ze spánku v REM spánku, ale mladí dospělí jen 25%. Proto se předpokládá že během REM spánku dozrává mozek a postupuje myelinizce nervových vláken. 6. Paměť a učení: oba typy spánku REM a NREM hrají klíčovou roli v upevňování paměti a učení. Během spánku probíhá informační přenos mezi kůrou mozkovou a hippocampusem
16
který si uvědomí
ustálení paměťových stop nebo během REM spánku jsou zrušené
bezvýznamné vazby. S tímto přepracováním informací také souvisí proces učení. Několik prací se odvolává na zlepšení výkonu, provádění určitých úloh po spánku [13]. Zlepšení vděčí spánku a časovému intervalu nebo faktorům vyskytujícím se periodicky 1 krát za 24 hodin.
2.6 Experimenty Ve výzkumu a také v lékařské péči, je nezbytné vykonávat vyšetřování a experimenty. Ve většině experimentů se musí lidé zdržet alkoholu,kofeinu a dalších drog které mají vliv na spánek během studia a musí nějaký čas předem dodržet správný spánkový režim .
Polisomngrfické nahráváky EEG, EOG, EMG brány během celé noci určují spánkové stavy a kurs spánku. Jsou také měřeny klinické EKG, krevní tlak, okysličení krve a dechovém poměry.
Typické rysy z mnoha spánkových poruch jsou extrémní únava a spavost během dne. Za účelem odhalit tendence spánku během dne, je užívaný vícenásobný spánkový latenční test (MSLT ). Osoba leží v tmavé místnosti a čeká se až usne. Doba od začátku testu k prvnímu období spánku - latence spánku - je měřená. Tato procedura se opakuje 4 - 5 krát ve dvou hodinových intervalech během celého dne. Spánkový počátek je získán na základě polysomnografického měření. Průměrná spánková latence je ohodnocená. Hodnota průměrné spánkové latence menší než 5 min je považována za chorobnou. V podmínkách podobných jako MSLT, je provedený test udržování bdělosti( MWT ), ale lidé jsou žádány aby během působení uspávací drogy cricumstances zůstali vzhůru. Průměrná spánková latence je ohodnocená a hodnota méně než 11 min je také určena jak chorobná [14].
Další typy z experimentů jsou také použité ve výzkumu spánkové regulace. Následky z nedostatku spánek nebo denní spavosti jsou vyšetřeny a ovlivněny experimenty aby byly uspořádané. Noc s nespavostí (nebo denní spavostí) je srovnávána se základní nocí, a změna EEG mezi nimi je ohodnocená. Nejvýznamnější rozdíl je množství SWS. Lidé jsou vystaveni umělé délce dne odlišné od24 hodinových cyklů. Jsou zbaveni externího periodického střídání.
17
(světlo/tmavý cyklus).
Během jedné třetiny umělého cyklu jsou světla vypnula a lidi mají
možnost spát [15].
Další experiment z této oblasti jsou modely umělých neuronových sítí(ANN), které jsou inspirovány nervovým systémem.Původně bylo ANN vyvinuto k řešení problémů v technické oblasti, ale dnes můžou být také aplikovány na fyziologická data. Ve spánkovém výzkumu jsou ANN používány v automatizovaném ohodnocování spánkových stavů [16] a v třídění artefaktů v EEG.
2.7 Modely spánkové regulace Dnes je obecně uznávané že jsou tři procesy které řídí spánek: homeostatický, denní cyklický proces a ultradianický proces [17].
Homeostatický proces řídí množství spánku a bdělosti tak, že je dosažená homeostáze. Zvyšuje se únavou a během bdělosti a snižuje se během spánku. Indikátor homeostatického procesu jsou SWS, které se vyskytují více v první části spánku a jejich přítomnost během noci se postupně snižuje. SWS aktivita je významně zvětšená během spánku po spánkovém deficitu [18]. Pokud spí člověk přes den
dojde ke snížení SWS. Do nynějška nebyl fyziologický střed
homeostatického procesu identifikovaný.
Denní proces odráží vliv vnějších událostí které oscilují s denním rytmem. Denní proces reprezentuje náchylnost ke spánku ve 24 hodinovém rytmu. Také některé další procesy maji denií rytmus (tělesná teplota).
Ultradianí proces spravuje střídání NREM a REM fází během spánku.
Jeden ze základních modelů je dvou procesový model spánkové regulace. Předpokládá vzájemné působení homeostatických a denních procesů. Homeostatická proměnná S (spánková náchylnost) stoupá exponenciálně během bdělosti do té doby, než dosáhne horního prahu H - začátek spánku. Během spánku se snižuje dokud nedosáhne nejnižšího prahu L - probuzení. Obě hranice H a L se mění se podle fáze dne. Exponenciální funkce jde skrz 3 referenční body: relativní pomalá
18
vlnová aktivita na konci normální noci, po normálním probouzení a po 40 hodinách ze spánkového nedostatku.
3. Poruchy spánku 3.1 Základní pojmy aktigrafie: Metoda stanovení vzorů spánků a stavu bdělosti pomocí zařízení citlivých na aktivitu a pohyb, obvykle umisťovaná na zápěstí. Apnoe: přerušení proudění vzduchu na dobu přesahující 10 sekund, kterou doprovází snížená saturace krve kyslíkem. nepřetržitě zvýšený tlak v dýchacích cestách: zařízení, které se skládá z masky, obvykle připevněné tak, že kryje nos, a které je hadicí napojené na pumpu, která nasává vzduch v místnosti a pod mírným tlakem ho vhání do dýchacích cest pacienta a zabraňuje tak jeho kolapsu během spánku. Hypopnoe: Snížené, ale ne úplné přerušené proudění vzduchu na dobu přesahující 10 sekund, které typicky doprovází snížená saturace krve kyslíkem. non-REM spánek: zahrnuje většinu nočního spánku a dělá se do čtyř fází na základě elektroencefalografické (EEG) frekvence, amplitudy a specifického tvaru EEG vln. polysomnogram nebo vyšetření studie: test, při němž se stanovují hodnoty dýchání, srdeční frekvence, intenzita chrápání a aktivita mozku, očí a svalová činnost brady a nohou. REM spánek: fáze spánku, ve které dochází k výskytu snů, EEG křivky jsou podobné EEG křivkám ve stavu bdělosti a většina vůlí ovládaných svalů je uvolněna. spánková latence (prodleva): časový odstup mezi zhasnutím světel v ložnici a usnutím. spánek pomalých vln: hluboký spánek, označovaný rovněž jako non_REM fáze spínku 3 a 4, během nichž charakterizuje elektrickou aktivitu mozku vlny s vysokou amplitudou a nízkou frekvencí.
Poruchy spánku se vyskytují ve velké míře, ale zřídka jsou rozpoznány, bývají špatně diagnostikovány a zůstávají neléčeny. Diagnostický a klasifikační manuál Americké asociace spánkových poruch rozděluje poruchy spánku do čtyř širokých kategorií:
19
(i) Dyssomnie jsou poruchy usínání nebo nepřerušovaného spánku nebo nadměrné ospalosti během dne; (ii) parasomnie jsou poruchy, které ovlivňují průběh spánku; (iii) poruchy spánku spojené s mentálními, neurologickými nebo zdravotními poruchami; (iv) nespecifické poruchy spánku, pro které není k dispozici dostatek údajů, které by potvrdily jejich výskyt. Na základě této klasifikace rozeznáváme v současnosti 77 spánkových poruch a 11 nespecifických poruch spánku.
3.2 Anamnéza pro zjištění příčin poruchy spánku Důkladná anamnéza je důležitá pro zjištění hlavních pacientových potíží a pro správné stanovení diferenční diagnózy. Poruchy uvedené níže jsou uvedené v Mezinárodní klasifikaci spánkových poruch. Přestože ´většina pacientů s výskytem spánkových problémů typicky uvádí dyssomnii, není u jednotlivých pacientů ojedinělá stížnost na výskyt více druhů spánkových poruch současně. Je důležité současně hovořit s partnerem pacienta, který s ním sdílí lůžko; partner často popíše příznaky, kterých si sám pacient není vědom. Partner může například potvrdit, že pacient během spánku lapí po dechu nebo že se dusí, což je příznačné pro poruchu dýchání během spánku, jako je syndrom obstruktivní spánkové apnoe. Zvláštní zmínku si zaslouží děti s poruchami spánku. V porovnání s dospělými u nich převažují parasomnie, jako jsou noční děsy a náměsíčnost, a u dětí se neprojevuje denní ospalost stejným způsobem jako u dospělých. Například místo aby jevily známky únavy nebo ospalosti, mohou být děti hyperaktivní a podrážděné, dokonce až do té míry, že je stanovena nesprávná diagnóza hyperaktivivity
se sníženou schopností soustředění.V době prvního vyšetření odborníci na
spánek často používají dotazník, jako je Douglasův dotazník zaměřený na poruchy spánku nebo podobný, který jim pomůže při správné diagnostice této poruchy. Hoddeova Stanfordská stupnice spánku (SSS) e jiné a Johnsova Epworthská stupnice spánku se používají pro stanovení subjektivní míry denní ospalosti, ačkoliv jsou kritizovány za to, že dostatečně přesně neodrážejí objektivní míru denní ospalosti. Denní záznamy o spánku jsou užitečné pro podchycení subjektivních vzorců spánku a bdělosti. Tyto záznamy jsou pro klinické pracovníky užitečné při vyšetření pacientů, u kterých je podezření na výskyt nepravidelností ve vzorci spánek – bdělost nebo na výskyt poruch pravidelného denního rytmu. Tyto záznamy typicky zahrnují období 2
20
týdnů, během kterých pacient zaznamenává dobu, kdy jde spát a kdy vstává, odhad doby, kdy usne, dobu a trvání nočního bdění a denního dřímání a dobu, kdy bere léky. V poslední době se používají dotazníky zaměřené na kvalitu života ke stanovení účinku léčby na poruchy spánku.
3.3 Dyssomnie 3.3.1 Insomnie Pacienti postižení insomnií mají problém s usínáním a nepřerušovaným spánkem, který je přerušován častým probouzením a bděním; tito pacienti typicky trpí chronickou vyčerpaností a únavou, jsou podráždění a dochází u nich k poruchám koncentrace a paměti. Pacienti, u kterých se samovolně vyvinuly potíže s usínáním nebo nepřerušovaným spánkem v normálních podmínkách, trpí psychofyziologickou insomnií. Celoživotní rozvoj insomnie, mající typicky počátky v dětství, je příznačný pro idiopatickou insomnii. Insomnie související se silnou stresovou událostí, jako je například rozvod nebo úmrtí rodiče, je příznačná pro získanou (adjustment – snad i vlivem prostředí, události, …) poruchu spánku. Špatné spánkové návyky, nedostatečná hygiena spánku, nevědomé usnutí a pacientovy potíže nepřesně odrážející objektivní spánková opatření (rituály) se běžně vyskytují při insomniích. Insomnie ve výškách nad 4 000 m a narušování spánku vlivem faktorů okolního prostředí jsou charakteristické znaky výškové insomnie a environmentální spánkové poruchy. Pro insomnie vyskytující se u dětí může být příznačné narušení pravidel (nevynucená doba, kdy jde pravidelně spát), porucha asociace při usínání (absence určitých podmínek, např. sledování televize), insomnie podmíněné potravinovou alergií nebo syndrom noční konzumace (jídla, pití). Vyplnění deníků s údaji o spánku může být při insomnii užitečným vodítkem při určování vzorců spánek – bdělost; jeho přínos spočívá především při předvedení špatných spánkových návyků dokládajících nedostatečnou hygienu spánku i poruchy denního rytmu, které insomnii doprovázejí. Aktigrafie, použití zařízení citlivých na pohyb při stanovení cyklů spánku a bdění, se může u pacientů s insomnií osvědčit při podchycení spánku, který pacient nevnímá, a poruch denního rytmu. Přesto blíže neznámý počet pacientů s insomnií může ležet v posteli zcela nehybně; toto chování může být aktigrafem chybně registrováno jako spánek, protože pohybová aktivita nepřekročí práh, který je v přístroji nastaven pro rozpoznání bdění. Všichni pacienti trpící nespavostí by měli být vyšetřeni na souběžný výskyt psychiatrických stavů, jako jsou deprese nebo úzkostné
21
stavy a poruchy denního rytmu, protože správné určení a léčba těchto stavů obvykle urychlí i léčbu pacientovy insomnie. Základem léčby insomnie je uplatnění behaviorálních (týkajících se chování a návyků) technik. Jedná se zejména o přísné dodržování časů spánku a bdění, doby uléhání ke spánku a probouzení a vyloučení podřimování během dne. Pokud jsou vzhůru, pacienti by neměli zůstávat v dlouho v posteli, protože to může vést k návyku na bdění na lůžku. Snížení spotřeby kofeinu, nikotinu a alkoholu, zejména v době před ulehnutím, a omezení nadměrné tělesné námahy (cvičení), konzumace potravin a pití v době před ulehnutím často zkracuje čas, potřebný k usnutí a snižuje frekvenci nočních probouzení a zároveň zkracuje jejich délku. Vyloučení čtení a sledování televize z lůžka, pokud tyto činnosti nevyvolávají ospalost, může rovněž přispět k navození spánku. Mohou být prospěšné i další behaviorální (návykové) přístupy, jako je terapie řízenými podněty, omezení spánku a léčba relaxací. Terapie řízenými podněty je zaměřena na obnovení asociace prostředí ložnice a rychlého usínání. Omezení spánku je programové omezení doby, strávené na lůžku, a jeho cílem je zvýšení účinnosti spánku (čas spánku / čas strávený v posteli). Léčba relaxací (relaxační terapie) zahrnuje meditace, auto-hypnózu, progresivní uvolnění svalového napětí a elektromyografickou zpětnou vazbu. Nakonec lze v případech rezistentní (odolné) insomnie použít mírnou medikaci (podání léků) s krátkým poločasem vyloučení (např. zolpidem) jako doplněk behaviorální terapie.
3.3.2 Poruchy s nadměrnou ospalostí během dne Pacienti s nadměrnou denní ospalostí mají během dne sníženou poznávací schopnost a často v nevhodnou dobu usínají, například na poradách nebo při řízení. Ačkoliv pacienti s následujícími poruchami mohou udávat insomnii (nespavost), je pro ně spíše typická nadměrná denní ospalost. Denní ospalost v kombinaci s prokázanými krátkodobými nočními zástavami dechu nebo probouzení se s lapáním po dechu, dušením, kašláním, frkáním (chrápáním) nebo dušností (dyspnoe) jsou příznačné pro syndrom obstruktivní spánkové apnoe (zástava dechu). Na základě studie výskytu, provedeném Terry Youngem a kolegy v roce 1993, se odhaduje, že až u čtvrtiny mužů a desetiny žen ve věku 30 – 60 let se vyskytují polysomnografické důkazy těchto stavů. Kromě toho, že pacienti jsou vystaveni zvýšenému riziku nehod v souvislosti s řízením motorového vozidla a pracovním úrazům, je tato porucha spojena s kardiovaskulárními
22
onemocněními, jako jsou hypertenze (vysoký krevní tlak), mrtvice, infarkt myokardu, arytmie (nepravidelná tepová frekvence) a srdeční selhání a neurokognitivními problémy, jako je snížená krátkodobá paměť. Diagnóza syndromu obstruktivní spánkové apnoe je potvrzena ve studii spánku (Obr. 6), ze které je zřejmé, že pro tuto poruchu jsou příznačné opakující se abnormality dýchání (apnoe (zástava) a hypopnoe (mělkost)) Léčba spočívá ve snížení nadváhy, aplikaci polohovacích zařízení na krk, zařízení do úst (posunují jazyk nebo dolní čelist dopředu), trvalé zvýšení tlaku vzduchu proudícího do nosu (CPAP) nebo chirurgická úprava (plastika) horních cest dýchacích. Plastika horních cest dýchacích upravuje čípek, horní měkké patro a hltan (tj. odstraní se nadbytečná tkáň z měkkého patra a patrového oblouku) Nové technologie, používané při odstranění nebo zmírnění chrápání a obstruktivní spánkové apnoe, jako je radiofrekvenční chirurgie, znamenají pro pacienty téměř bezbolestné operace, které jsou rychlé a provádějí se ambulantně Sezónní alergické rinitidy (senná rýma, pylová alergie) a závažné nazální obstrukce (překážky v nose) (např. nazální polypy (výrůstky na sliznici nosu) a adenoidní hypertrofie (zbytnění sliznice)) mohou u pacienta zhoršit syndrom obstruktivní spánkové apnoe; pacientovi se mohou podávat antihistaminika (zmírňují alergické reakce), nazální steroidy nebo mu může být provedena korektivní plastika pro zmírnění těchto nepříznivých podmínek. Syndrom rezistence horních cest dýchacích (odpor kladený proudícímu vzduchu) je mírnější variantou syndromu obstruktivní spánkové apnoe.
23
Obrázek 6:Polysomnografický záznam pacienta se syndromem obstruktivní spánkové apnoe. Toto je 30 s úsek polysomnogramu. Pacient je v REM fázi spánku, jak ukazuje EEG (derivace elektrod C3-A2 a O1A2) s nízkou amplitudou, vzorcem se smíšenými frekvencemi; EMG (EMG ukazuje aktivitu svalů brady a L/RAT ukazuje aktivitu předních tibiálních (holenních) svalů pravé a levé nohy) s relativně potlačenou svalovou aktivitou; a EOG (ROC a LOC ukazuje aktivitu svalů pravého a levého oka) s rychlým pohybem očí. Chrápání je prokázáno na kanálu MIC (mikrofon). Obstruktivní apnoe je zřejmá v pravé polovině obrázku, se zástavou proudění vzduchu v nose i přes to, že hrudní a břišní stěna se pohybují. Jako důsledek této apnoe u pravého okraje grafu SpO2 (saturace kyslíkem) klesá z přibližně 99% na 95%.
24
Pacienti se vzácnějším syndromem centrální spánkové apnoe nebo syndromem centrální alveolární hypoventilace (snížené přívod vzduchu do plicních sklípků) mohou uvádět příznaky nebo anamnézu podobnou jako u syndromu obstruktivní spánkové apnoe. Podobně může CPAP nebo dvojúrovňový tlak (zvýšený tlak při nádechu a snížený tlak při výdechu) pomoci pacientům s touto poruchou. Narkolepsie je porucha spánku, která odhadem postihuje 200 000 Američanů a zdá se, že je zde pro rozvoj této poruchy genetická predispozice. Tato porucha se běžně vyskytuje v druhé dekádě života a jsou ji rovnoměrně postiženi muži i ženy. Podezření na narkolepsii je třeba zvážit u lidí s následujícími příznaky: (i) ataky denní ospalosti, ke kterým během dne typicky dochází náhle a jsou neodbytné; (ii) kataplexie (strnutí) nebo náhlá ztráta tonusu posturálního svalstva (napětí postojového svalstva) typicky spuštěná silnou emocí (mírné případy kataplexie mohou způsobit mírné ochabnutí krčního svalstva); (iii) hypnotické (při usínání) halucinace, při kterých lze slyšet zvuky (např. hlasy), mít vidění nebo mít plně rozvinuté sluchové, zrakové, taktilní (hmatové) nebo kinetické (pohybové) halucinace; a (iv) spánková paralýza (ochrnutí) (která se může vyskytnout u jedinců bez narkolepsie), ke které dochází při přechodu ze spánku do stavu bdělosti. Tato paralýza může často doprovázet hypnotické (spánkové) halucinace. Diagnóza narkolepsie se provádí na základě symptomů (příznaků) a je potvrzena v průběhu několika testů spánkové latence (doba do usnutí). Tato porucha se typicky léčí plánovanými zdřímnutími, stimulanty (povzbuzující látky) (např. methylphenidat, modafinil a dexedrin) které zabraňují denní ospalosti a antikataleptickou medikací (typicky tricyklická antidepresiva). Denní ospalost doprovázená hypersomnií (prodlouženým spánkem) je příznačná pro idiopatickou, rekurentní a posttraumatickou hypersomnii (samostatně se vyskytující, opakující se poúrazová spavost). Tyto poruchy lze odlišit od narkolepsie a jiných poruch s nadměrnou denní ospalostí podle symptomů (příznaků), pomocí polysomnografie a opakovanými testy spánkové latence. Léčba typicky spočívá v plánovaných zdřímnutích a podávání stimulujících léků, které ovlivňují neodbytnou ospalost během dne. Denní ospalost s prokázanou dobrovolnou spánkovou deprivací (nedostatkem spánku) je příznakem syndromu nedostatečného spánku; úprava životního stylu s omezením pracovních nebo rodinných povinností může u pacienta přispět ke zvýšení potřeby spánku.
25
3.3.3 Syndrom nepokojných nohou a porucha s periodickým pohybem končetin Pro syndrom nepokojných nohou je příznačná dysestézie (nepříjemné vjemy) nebo nepříjemné pocity v nohou, které vyúsťují v neodolatelné nutkání pohnout nohama. Dysestézie lze popsat jako „plazení“, „mravenčení“, „svědění“ nebo bolest a pohyb přináší úlevu. Přestože tyto symptomy se mohou vyskytovat kdykoliv během dne, mohou se zhoršovat během noci a tak ovlivňovat schopnost usnout a nakonec vyústit v symptomy insomnie nebo denní ospalosti. Většinou k těmto potížím dochází ve středním věku, postihuje jak muže tak ženy, a těhotné ženy a jedinci s urémií (hromadění dusíkatých látek v organizmu v důsledku nedostatečné funkce ledvin) a revmatickou artritidou (zánět kloubů) jsou zřejmě náchylní k rozvoji této poruchy. Diagnóza se typicky provádí z anamnézy, přestože vyšetření spánku často zjistí pohyb končetin v důsledku dysestézie. První léčba spočívá v podávání dopaminergických látek (např. karbidop a levedop; benzodiazepiny (např. klonazepam), opiáty a antikonvulsiva (protikřečové léky) (např. tegretol a gabapentin) jsou při léčbě této poruchy různě účinné. Pro poruchu s periodickým pohybem končetin je příznačná denní ospalost, která je vyvolána opakovanými pohyby končetin během spánku. Typicky jsou pohyby nohou stereotypní, provázené natažením palce a částečnou flexí (ohnutím) v kotníku, koleni a kyčli. Ačkoliv u největšího počtu lidí má tato porucha počátek ve středním věku, její výskyt se s přibývajícím věkem zvětšuje. Pacienti s podezřením na tuto poruchu jsou vyšetřeni pomocí polysomnografie a pro potvrzení diagnózy musí být splněna specifická kritéria frekvence a trvání jednotlivých pohybů končetin. Klinické rozhodnutí o léčbě této poruchy je obvykle učiněno v závislosti na závažnosti symptomů a frekvenci periodického pohybu končetin spojeného s probouzením. Léčba spočívá v podávání léků shodných s léčbou syndromu nepokojných nohou; stejně jako u syndromu nepokojných nohou jsou dopaminergické látky hlavní medikací při léčbě poruchy s periodickým pohybem končetin.
3.3.4 Poruchy denního rytmu
Poruchy denního rytmu by měly být vzaty v úvahu u pacientů, kteří mají nepravidelný vzorec spánku a bdění a tito pacienti udávají nespavost nebo nadměrnou denní ospalost. Pro syndrom změny časového pásma a poruchu spánku při práci na směny jsou příznačné vnější faktory, ovlivňující pacientův spánek. Tato poruchy lze obvykle snadno diagnostikovat pomocí
26
pacientovy anamnézy; je doporučeno přísné dodržování hygieny spánku a v případě potřeby může těmto pacientům účinně pomoci i krátkodobé podávání hypnotik (léky na spaní). Syndromy odložené nebo předčasné fáze spánku odpovídají poruchám s načasováním spánku, ve kterých dochází k chronickému (vleklému, stálému) odkládání spánku nebo předčasnému ulehnutí v porovnání s běžnými časy hlavního spánku a probouzení. Například jedinci se syndromem posunuté fáze spánku mohou chtít jít spát ve 22:00 a probouzet se v 06:00, ale obvykle dlouhodobě chodí spát ve 02:00 a spontánně se probouzejí v 10:00. Tyto poruchy jsou často rozpoznány pečlivým anamnestickým vyšetřením; záznamy o spánku a aktigrafie mohou být při stanovení diagnózy užitečnou pomůckou. Léčba spočívá v technikách behaviorálních návyků, jako jsou léčba řízenou stimulací a relaxační terapie a podávání slabých hypnotických léků může podpořit usínání v požadovanou dobu. Pro nepravidelný vzorec spánek – probouzení a poruchu 24hodinového rytmu spánek – bdění je příznačný chaotický a posunutý rytmus spánku – bdění. Tyto poruchy se zjišťují na základě pečlivé anamnézy, záznamů o spánku a aktigrafie. Prognóza těchto poruch je nepříznivá, často záleží na podstatném zásahu do životního stylu (rytmu) (např. přizpůsobení pracovní doby tak, aby vyhovovala požadovanému rytmu spánek – bdění) a stejně jako u léčby výše popsaných poruch denního rytmu na behaviorální léčbě podpořené podáváním léků.
3.3.5 Poruchy vyvolané působením toxinů, léků nebo drog Působení léků nebo toxinů (např. organických chemických látek a těžkých kovů) může mít za následek insomnii (nespavost) nebo nadměrnou denní ospalost. Pro poruchy spánku vyvolané toxiny a poruchy spánku vyvolané hypnotiky, stimulujícími látkami a alkoholem je příznačné, že se vyskytují při jejich působení (užívání) nebo v důsledku přerušení jejich přísunu. Zejména poruchy z užívání hypnotik a stimulujících látek se často vyskytují souběžně s dalšími poruchami spánku. Nezřídka se vyskytují pacienti s nespavostí, kteří několik let nadměrně užívali různá hypnotika a narkoleptičtí pacienti se syndromem obstruktivní spánkové apnoe, kteří nadměrně užívali stimulující látky na odstranění denní ospalosti. U pacientů s poruchou spánku vyvolanou užíváním alkoholu je často zkrácena doba potřebná pro usnutí; na druhou stranu u nich dochází ke častějšímu nočnímu probouzení, které trvá déle.
27
3.4 Parasomnie Pro parasomnie jsou příznačné neobvyklé chování, pocity nebo pohyby. Protože si pacient tyto epizody často vůbec neuvědomuje, při popisu těchto událostí je užitečná pomoc partnera.
3.4.1 Noční děsy a náměsíčnost Noční děsy náměsíčnost (somnambulismus) se vyskytují ve fázi spánku s pomalými vlnami, typicky během první třetiny noci a vedle anamnestického zjištění výskytu se projevují výkřiky a chůzí. Jedinci s nočními děsy se často probouzejí s křikem a jsou dezorientováni, nereagují na své okolí a jsou velmi vyděšeni, mají rozšířené zornice, zrychlený dech a tepovou frekvenci. Předpokládá se, že tyto poruchy spolu souvisí a nezřídka se vyskytují jedinci s oběma projevy současně. Uvádí se, že tyto poruchy postihují mezi 1 – 15 % populace a odhaduje se, že u 15 – 30% zdravých dětí s vyskytla alespoň jedna epizoda náměsíčnosti. Předpokládá se rodová dědičnost obou poruch, nejvíce případů začíná přibližně mezi 4 – 8 lety věku a v populaci nad 15 let věku výskyt náměsíčnosti a nočních děsů klesá přibližně na 1%. Etiologie (mechanismus vzniku) nočních děsů a náměsíčnosti není známá, ale některé faktory, například léčba antipsychotiky nebo antidepresivy, horečnatá onemocnění, nedostatek spánku (spánková deprivace) a další poruchy spánku zvyšují pravděpodobnost výskytu těchto epizod u predisponovaných jedinců. U náměsíčnosti se může vyskytovat násilí spojené se spánkem, například napadení nebo vražda; právní systém klasifikuje pravou (nepředstíranou) náměsíčnost jako „nechoromyslný automatismus“ (tj. že se sice nejedná o psychiatrickou poruchu), při kterém není chování řízeno vůlí jedince. Diagnóza se stanoví na základě klinické anamnézy a polysomnografie, přestože naděje na prokázání nočních děsů nebo epizod náměsíčnosti ve spánkové laboratoři je nepatrná. Přesto je polysomnografie důležitá pro vyloučení nočních záchvatů, které mají podobné rysy jako náměsíčnost, a některé polysomnografické charakteristiky, jako jsou opakovaná probuzení z fází spánku pomalých vln, časté přechody jednotlivých fází spánku a hapersynchronní aktivita delta vln se často vyskytují u náměsíčných jedinců. Bezpečnostní opatření na noc (např. odstranění zbraní a nebezpečných předmětů z blízkosti, upozornění návštěvníků domu a přidělení ložnice v přízemí náměsíčnému jedinci ), medikamentózní léčba (benzodiazepiny a tricyklická antidepresiva) a občasná hypnóza a psychoterapie mohou přispět ke zvládnutí těchto stavů.
28
3.4.2 Ostatní parasomnie Porucha REM fáze spánku je stav, který může být zaměňován s náměsíčností. Ale jedinci s touto poruchou jsou typicky muži nad 60 let a často během REM fáze spánku „vykonávají“ své sny (na rozdíl od náměsíčnosti, která se vyskytuje během fáze spánku s pomalými vlnami, typicky bez doprovodných snů). Etiologie je ve většině případů neznámá, přestože cévní, degenerativní a nádorová onemocnění postihující mozek mohou mít s těmito stavy souvislost. Diagnóza je stanovena anamnestickým a polysomnografickým vyšetřením a noční bezpečnostní opatření v kombinaci s medikací (clonazepam a desipramin) obvykle účinně snižují frekvenci výskytu těchto stavů. Porucha s rytmickými pohyby se vyskytuje v dětství nebo časném dětství a jsou pro ni příznačné opakované pohyby, typicky hlavy a krku, ke kterým dochází před usnutím a v přechodu do spánku. Typické pohyby jsou opakované bušení hlavy na povrch lůžka, převalování hlavy nebo houpání torza těla nebo celého těla; polysomnografické vyšetření může napomoci při odlišení této poruchy od epilepsie. Noční bezpečnostní opatření v kombinaci s úpravou chování a podávání benzodiazepinu nebo tricyklických léčiv může napomoci ke zvládnutí těchto stavů. Následující parasomnie jsou specifické projevy popsané pacienty, jejich partnery nebo rodiči a stejně jako u jiných parasomnií mohou být potvrzeny vyšetřením spánku. Syndrom abnormálního polykání ve spánku je vzácný stav, pro který je charakteristické probuzení doprovázené kašláním nebo dušením ze spánku v důsledku vdechnutých slin, ke kterému může dojít následkem nedostatečného polykání. Noční paroxysmální distonie (záchvatovitá nerovnováha svalového napětí) se projevuje jako stereotypní, opakované distonické nebo diskinetické (bez pohybu) epizody, které trvají až jednu hodinu v jednotlivé epizodě, a které jsou snad rodově dědičné ale bez zřejmé patologické příčiny. Antikonvulsiva (protikřečové léky) jako carbamazepin mohou pomoci pacientům s touto poruchou. Při syndromu náhlé nevysvětlitelné (bez příčiny) noční smrti dojde k náhlému úmrtí ve spánku, zejména u zdravých mladých mužů z jihovýchodní Asie. Abnormální dýchací symptomy, jako jsou lapání po dechu nebo dušení mohou předcházet kardiovaskulární zástavě (selhání), přestože posmrtné vyšetření neprokáže u postižených žádné významné patologické změny. Pro sinusovou zástavu v REM fázi spánku jsou charakteristické opakované asystolické periody (bez stahu srdečního svalu) během REM fáze spánku u jinak zdravých, mladých dospělých lidí. V těchto případech nebyly na srdci zjištěny žádné patologické nálezy a pro zjištění tohoto stavu je důležité polysomnografické vyšetření. Poruchy erekce penisu ve spánku (organická / fyziologická impotence nebo neschopnost dosáhnout erekce ve spánku) a
29
bolestivé erekce ve spánku se nejčastěji vyskytují u pacientů nad 40 let a pro diagnózu poruchy erekce ve spánku je nezbytné provést polysomnografické vyšetření. Některé parasomnie se vyskytují v dětství. Pro dětskou spánkovou apnoe je charakteristická centrální (mozková) nebo obstruktivní (překážka v dýchacích cestách) apnoe během spánku dítěte; apnoe nedonošených novorozenců se vyskytuje do 37 týdne od početí, novorozenecká apnoe se vyskytuje u novorozenců po 37 týdnu od početí, zjevná život ohrožující apnoe je doprovázena cyanózou (zmodráním např. rtů) a netečností (zemdleností) a při rozvíjejícím se syndromu obstruktivní spánkové apnoe dochází k blokádě horních cest dýchacích. Pro diagnózu těchto stavů je nutné provést polysomnografické vyšetření a při léčbě těchto novorozenců je nutné zajistit nepřetržitý zvýšený tlak vzduchu nebo provést chirurgickou úpravu horních cest dýchacích . Vzácně se vyskytuje syndrom vrozené centrální hypoventilace (mělké dýchání nebo malá frekvence dýchání řízeného mozkem) nebo selhání mechanismu dýchání, které postihují jinak zdravě vypadající novorozence bez zjevného plicního onemocnění a v těchto případech je nutné zajistit 24hodinovou podporu ventilace (dýchání). Vzácně se vyskytují benigní (nezhoubné, život neohrožující) novorozenecké svalové záškuby, samovolné a benigní stavy bez známé patologie, které obvykle postihují paže a nohy, které provádějí časté trhavé pohyby během spánku novorozence. Při syndromu náhlé smrti novorozence (SIDS) dochází k úmrtí novorozence ve spánku z neznámých příčin. Odhaduje se, že se vyskytuje méně než v 1 případě na 1 000 živě narozených dětí, a faktory, jako je spánek na břiše, předčasný porod, vícečetné porody, drogová závislost matky, působení tabákového kouře, nízké sociálně-ekonomické postavení a předchozí výskyt apnoických událostí zvyšují riziko výskytu SIDS. Spánková paralýza (ochrnutí) (během spánku nebo po probuzení), probuzení s dezorientací, (krátký úsek dezorientace po probuzení ze spánku), mluvení ze spaní, spánkové záškuby (náhlé kontrakce těla při usínání), noční křeče v nohách, noční děsy, bruxismus (skřípání zuby), enuréza (noční pomočování) a primární chrápání jsou spíše nepříjemnosti než klinicky významné problémy, pokud k nim nedochází často, ve velké míře nebo nenarušují spánek pacienta nebo jeho partnera.
Další články zabývající se problematikou spánkových poruch se nacházejí v příloze A.
30
4. EKG
4.1 Úvod
Elektrické napětí v srdci bylo změřeno před více než sto lety, ale vlastní funkci EKG jak ji známe dnes vyvinul na počátku 20. století Holanďan Willem Einthoven. EKG je elektrický projev stahujícího se srdce a může být zaznamenán zcela jednoduše povrchovými elektrodami na povrchu končetin nebo hrudníku. EKG je zřejmě nejvíce běžně známý, rozpoznávaný a užívaný biologický signál.
4.2 Části EKG signálu
Obrázek 7: Části typického průběhu EKG
P vlna reprezentuje depolarizaci levé a pravé předsíně a je počáteční nízká kladná odchylka v amplitudě předcházející QRS komplexu.
31
PR interval je měřen od začátku P vlny až k první části QRS komplexu. QRS komplex reprezentuje čas pro komorovou depolarizaci. ST segment nastává po konci komorové depolarizace a před tím než polarizace opět začne. T vlna reprezentuje periodu komorové depolarizace. QT interval se stává z QRS komplexu , který reprezentuje pouze malou část intervalu , a ST segmentu a T vlny, které mají delší dobu trvání. U vlna je možno vidět u některých svodů, zvláště svody umístěné právě u krajiny předsrdeční, což jsou svody V2 až V4. Přesná příčina této vlny je, ačkoli bylo navrhováno, že by to mohlo reprezentovat zpožděnou repolarizaci His-Purkinjeho systému. Eventuálně by to mohlo reprezentovat mechanickou událost, jako je ventrikulární relaxace.
5. Zpracování EKG 5.1 Detekce QRS Nejprve bylo třeba EKG signál zpracovat, abych na něj mohly být aplikovány další analýzy. K tomuto účelu jsem použil metodu Pan Tompkins [31]. Díky ní jsme detekovali QRS komplexi a následně získal tachogram. Ukázka zpracovaného signálu je na Obr.8.
Obrázek 8: Detekované QRS komplexi a následně vypočtené R-R intervaly
32
5.2 Analýza EKG
Srdeční rytmus má mnoho individuálních komponent. Je řízen kompetitivními silami (sympatický a parasympatický) a dalšími regulačními mechanizmy. Fluktuace nevycházejí jednoduše z odezvy na vnější faktory, ale jsou stálé během fyzické zátěže, odpočinku a spánku. Tato nestacionarita je běžná pro stochastické procesy a proto jsou vhodné metody jako Analýza srdečního rytmu nebo Detrenční Fluktuační Analýza.
5.2.1.1 DFA V oblasti nelineární analýzy je již dlouho znám význam analýzy biologické časové posloupnosti s typicky komplexní dynamikou. Pro určení skrytých významných dynamických vlastností fyziologických jevů byly využity některé vlastnosti těchto postupů. Protože dochází k častým změnám statistických charakteristik biologických signálů v čase a typicky jsou v mnoha případech velmi proměnlivé a zároveň nelineární, je taková analýza složitá [24, 25]. Například aktivita lidského mozku za normálního stavu prochází složitými změnami. Tyto fluktuace pravděpodobně vyvolává složitý nelineární dynamický systém spíše než průvodní jevy stimulace z vnějšího prostředí. V posledních letech byly u velkého počtu různých systémů objeveny mnohorozměrné exponenciální korelace. Na základě těchto mnohorozměrných exponenciálních korelací se postupně vyvíjí stále více uznávaná fraktální geometrie přírody. Jakmile poznáme exponenciální korelace, můžeme je kvantifikovat pomocí kritického exponentu, a zkoumání trvale platných mnohorozměrných exponenciálních korelací nám může pomoci při pochopení vlastností elektroencefalogramu (EEG) [26] případně EKG. Je známo, že četné fyziologické časové posloupnosti u zdravých jedinců vykazují mnohorozměrné exponenciální korelace. Některé skupiny se snažily rozlišit fázi spánku pomocí nelineární dynamické metody jako rozměr korelace a Lyapunových exponentů [27, 28]. Pro všechny klasické nelineární dynamické metody jsou však zapotřebí stabilní podmínky, které se u biologických signálů vyskytují jen zřídka. Detrendová analýza fluktuace (DFA) je odolná proti velké variabilitě a fluktuacím v datech. Protože tato metoda umožňuje detekci mnohorozměrných korelací, které jsou součástí zdánlivě proměnlivých časových posloupností, může být použita pro rozlišení jednotlivých fází spánkového EKG [29].
33
5.2.1.2 Opravné exponenty U exponentu charakterizujícím mnohorozměrné korelace v sekvencích určité délky existují významné fluktuace.
Tento opravný exponent je důležitý, protože nám umožňuje nalézt
korelační vlastnosti časových posloupností. Jestliže jsou statistické vlastnosti časové posloupnosti při přeškálovaní v odvozené posloupnosti neměnné, mluvíme o ní jako o soběpodobné a je definována jako vz.(1)
(1)
kde
znamená, že statistické vlastnosti obou časových posloupností jsou shodné. Podrobněji,
časová posloupnost y(t) má stejnou funkci pravděpodobné distribuce jako stejně velká a přeškálovaná posloupnost aα y(t/a). Exponent α se nazývá parametr sobě-podobnosti nebo opravný exponent, který je důležitý, protože s jeho pomocí můžeme nalézt vlastnosti korelace časové posloupnosti. Matematicky se opravný exponent α vypočte jako vz.(2)
(2)
kde My je koeficient zvětšení na ose y a Mx na ose x, n je velikost výřezu (okna) posloupnosti a s je standardní odchylka příslušného signálu. A α udává strmost křivky spojující (n1; s1), (n2; s2) na logaritmických osách diagramu. V praxi se vypočítává průměrný opravný exponent časové posloupnosti tak, že se vybere odpovídající číslo (n; s) a doplní křivka z těchto bodů.
5.2.1.3 Detrendovaná analýza fluktuace Protože četné druhy biologických signálů, jako je EKG, jsou vysoce proměnlivé, tak jestliže jednoduše integrujeme časové posloupnosti bez náležitého zohlednění, může dojít ke zvýšení proměnlivosti časové posloupnosti. Proto na analýzu biologických dat použijeme DFA, pomocí které vypočteme střední kvadratickou fluktuaci integrované a detrendované časové posloupnosti,
34
umožní nám to určení vnitřní sebepopodobnosti proměnlivých časových posloupností [30] a rovněž se vyhneme falešnému určení zjevné sebepodobnosti. Podrobný postup je následující. Nejdříve je každá časová posloupnost s počtem N vzorků integrována jako vz.(3)
(3)
kde X(t) je posloupnost v čase t a Xave je průměr celé časové posloupnosti. Potom je y(k), integrovaná časová posloupnost, rozdělena na posloupnosti o stejné délce n. V každém čtverci je na ose y nejmenší kvadratická linka která odpovídá datům označena yn(k).Nakonec je dána průměrná fluktuace jako funkce kvadratické velikosti n viz vz.(4).
(4)
Obrázek 9: Integrované časové řady: , kde X(t) je mezi úderový interval. Svislé tečkované čáry oznamují úseky o velikosti n=20, a přímá plná linka části reprezentuje trend odhadovaný v každém úseku lineární úpravou nejmenších čtverců.
35
Toto počítání se opakuje nad všemi časovým měřítky (velikosti okénka) pro poskytnutí vztahu mezi F(n) a okénkům velikosti n. Typicky,se F(n) zvětšuje s velikostí okénka n. Lineární vztah na dvojitém logaritmickém grafu ukazuje přítomnost modelování (sobě - podobnosti)-- kolísání v malých boxech souvisí s kolísáním ve větších boxech. Spád linky týkající se log F(n) k log n určuje model exponentu (sobě- podobnostní parametr), α vz.(2).
5.2.1.4 DFA vyšších řádů DFA vyšších řádů může být použito k eliminaci šumu a zlepšení výsledků získaných z DFA-1. DFA vyšších řádů je schopné eliminovat efekty trendů nižších řádů [32]. To znamená, že fluktuační funkce z DFA-1 nebude ovlivněna polynomiálními trendy nižších řádů. DFA nám umožňuje vypočítat korelace v zašuměných signálech obsažených v polynomiálních trendech. Mimoto,když je použito vážení a křížení příznaků z F(n), můžeme stanovit pořádek trendů a tedy detekovat sinusový trend. Uspořádání DFA je specifikováno uspořádáním, lokálních trendů polynomiální funkce požité pro integrované datové série v detrendovém kroku.
Obrázek 10: Porovnání DFA prvního a druhého řádu
5.2.2. Výpočet dalších parametrů HRV Variability srdeční frekvence (HRV): Již na běžném elektrokardiogramu lze sledovat různě dlouhé intervaly R–R. Tyto intervaly jsou tedy variabilní. Vzdálenost R–R intervalů je závislá na mnoha faktorech (respirační sinusová arytmie, změny tlaku krve, změny v aktivitě autonomního nervového systému (ANS), endokrinní vlivy, spánek nebo bdění, mentální aktivita). R–R
36
intervaly jsou charakteristické oscilacemi různých frekvencí a velikostí. Při jejich analýze tak můžeme získat informaci o autonomním řízení srdce. ANS se totiž podílí zásadním způsobem i na regulaci řízení srdeční činnosti. Sympatické a parasympatické řízení je organizováno recipročně tak, že nárůst sympatické aktivity je sledován poklesem aktivity parasympatiku. Aktivace parasympatiku ale může být nezávislá na aktivaci sympatiku. Oba systémy se mohou současně inhibovat nebo aktivovat. Parasympatikus má na srdce negativní inotropní, dromotropní, chronotropní a batmotropní účinek, zvyšuje vodivost draslíku a snižuje aktivitu kontraktilních elementů. Zajišťuje elektrickou stabilitu komorového myokardu. Spolu se sympatikem má antiarytmický efekt. Bradykardie navozená parasympatikem prodlouží diastolický perfuzní čas a sníží metabolické požadavky srdečního svalu. Oslabení parasympatiku má pak přímou souvislost se srdečním selháním nebo náhlou srdeční smrtí. Sympatikus má působení na srdce pozitivně inotropní, chronotropní, batmotropní a dromotropní. Práce pro srdce je energeticky náročnější. Sympatikus také zhoršuje perfuzi myokardu frekvencí, krevním tlakem, koronární vazokonstrikcí a zvýšením aktivity trombocytů. Na cévy působí vazokonstrikcí. Hyperreaktivita sympatiku má souvislost například s hypertenzí. [41]
Časové parametry: RMSSD – Kvadratický kořen středních kvadratických rozdílů po sobě jdoucích NN intervalů. Toto krátké časové měření odhaduje největší frekvenční variaci v srdečním rytmu [33]. RMSSD=sqrt(mean(dif.*dif)), dif=diff(vstup)
NN50 – počet intervalů delších než 50 ms, tento příznak může být nahrazen RMSSD[33]. NN50=sum(abs(dif*1000)>= 50)
RR mean - střední hodnota délek RR intervalů
Frekvenční parametry: TP - (ms2) absolutní energie analizovaného intervalu <0.4 Hz VLF - (ms2) energie ve velmi nízkém frekvenčním spektru <0.04 Hz HF – (ms2) energie ve vysokofrekvenčním spektru 0.15 – 0.4 Hz
37
HF norm – (nu) HF energie v normalizovaných jednotkách; HFnorm =
HF * 100 TP − VLF
LF - (ms2) energie v nízkofrekvenčním spektru 0.04 – 0.15 Hz
LF norm – (nu) LF energie v normalizovaných jednotkách; LFnorm =
LF * 100 TP − VLF
LF/HF – poměr LF a HF
5.3 Neuronové sítě 5.3.1 Feed-Forward a Elmanova síť Umělé neuronové sítě (ANN) jsou založené na principu paralelního distribuovaného zpracování (PDP), tato idea byla inspirována biologickým nervovým systémem. ANN je složena ze základních jednotek (neuronů) operujících paralelně. Tato struktura může být trénována nastavování vah mezi těmito jednotkami.
Procesní jednotka – každá jednotka vykonává relativně jednoduchou práci: přijímá vstupy od sousedů nebo od externích zdrojů a požívá je k výpočtu výstupního signálu, který je posílán dalším jednotkám. Součastně s tímto procesem probíhá druhá úloha nastavování vah. Tento systém je neodmyslitelně paralelní ve smyslu, že mnoho jednotek uskutečňuje své výpočty ve stejném čase [34]. Základní jednotkou je neuron (obr. 11). V tomto případě se jedná o perceptron používaný u sítě Feed-Forward se dopředným šířením. Na tomto obrázku je velice dobře patrný celý princip perceptronu. Pi jsou vstupní hodnoty, ωi jsou váhy jednotlivých vstupů, delta je offset jednotky, F je prahová funkce.
38
Obrázek 11: Základní jednotka Perceptron
Topologie sítí – V předchozí sekci jsem mluvili o vlastnostech základní procesní jednotce neuronové sítě. Tato sekce osvětluje způsob propojení jednotlivých jednotek a šíření dat. Co se týče způsobu propojení můžeme udělat hlavní rozdíl mezi Feed-forward sítěmi a jednoduchou rekurentní sítí (Elmanova síť). Písmena v topologii znamenají: R je vektor vstupů, S je počet neuronů ve vrstvě, W jsou váhy, b jsou biases, a je vstup do jednotlivé vrstvy, n je převážený vstup do aktivační funkce
Feed-Forward síť - tok dat ze vstupu na výstup je striktně dopředný, jak je vidět na obr. 12. Zpracování dat můžeme rozšířit zavedením většího počtu buněk v jednotlivých vrstvách, ale ne zpětnou vazbou.
Obrázek 12: Feed-forward
Rekurentní síť – tato síť obsahuje zpětnou vazbu, jak je vidět na obrázku 13. Proti feed-forward sítím, dynamické vlastnosti sítě jsou důležité. V některých případech aktivační hodnoty buňky podstoupí relaxační proces takový, že se síť rozvine do stabilního stavu, kdy se již hodnoty dále nemění. V dalších aplikacích je změna aktivačních hodnot na výstupu neuronů významná, taková že dynamické chování řídí výstup sítě [35].
39
Obrázek 13: Rekurentní síť
Trénování neuronových sítí – neuronová síť je nakonfigurována tak, že aplikace nastavení vstupu je prováděno pomocí výstupních hodnot. Existují různé metody nastavení vah. Jedna cesta je nastavení vah explicitně, využitím prioritních znalostí. Jiná cesta je trénování neuronové sítě pomocí nějakých pravidel. Můžeme učící situace rozdělit do dvou kategorií: Učení s dohlížením nebo li asociativní učení, Učení bez dohlížení nebo li samo organizování [36].
5.3.2 Long Short-Term Memory (LSTM) Úvod – Dynamika indukovaná spánkovým srdečním rytmem se odvíjí od výskytu spánkové apnoe (různé spánkové stavy). Paměťová buňka byla navrhnuta za účelem získání prostředku, který by umožnil konstantní chybový tok během dlouhého časového úseku.Použitím klasických přístupů jako jsou backprpagation a real time recurrent lerning dochází postupem času k vymizení nebo naopak k super exponování chybového toku, který zabraňuje úspěšné adaptaci sítě na některé problémy. Architektura paměťové buňky – Ústřední částí paměťové buňky je lineární jednotka s váhovým přepojením s hodnotou wjj = 1, jdoucím zpět do této jednotky. Tato jednotka se nazývá constant error carrousel (CEC). Jejím používáním se získá konstantní chybový tok:
(5)
Z důvodu získání konstantního chybového toku bez negativních efektů způsobených okolními buňkami a neurony byla do architektury přidána tzv. vstupní brána (input gate), aby chránila obsah uložený v CEC od rušení prostřednictvím irelevantních vstupů. Také byla zavedena
40
výstupní brána (output gate), která chrání ostatní jednotky od rušení způsobeným obsahem CEC. Tato brána má také za úkol ohodnocení chybového toku šířeného zpět do paměťové buňky. Celá architektura je na obrázku 14.
Obrázek 14: Architektura standardní paměťové buňky
V následující sekci bude popsané dopředné šíření vstupného signálu. J-tá paměťová buňka se označuje cj. Hodnota netcj představuje vstupní hodnotu do paměťové buňky pocházející od ostatních jednotek v síti. Jednotkami sítě se rozumí ostatní paměťové buňky, jejich brány, klasické rekurentní neurony a nebo vstupní neurony. Hodnotu netcj
můžeme vyjádřit
následujícím vztahem:
(6)
kde wcji je hodnota odpovídající váhy a yi(t - 1) je aktivační hodnota jednotky, která je s paměťovou buňkou spojená touto váhou. Vstupní brána pro j-tou paměťovou buňku se označuje inj a výstupní brána pro j-tou paměťovou buňku se označuje outj. Aktivační hodnoty vstupní brány a výstupní brány jsou yinj(t), youtj(t) a platí pro ne následující vztahy:
(7)
(8)
kde net in j (t) a net out j (t) můžou být vyjádřené jako:
41
(9)
(10)
kde w in j a w out j jsou hodnoty odpovídajících vah a yj(t - 1) je aktivační hodnota jednotky která je s bránou (vstupní, výstupní) spojená touto váhou. V čase t bude výstup z paměťové buňky cj vypadat následovně:
(11)
Kde vnitřní stav Scj je:
(12)
Funkce h a g jsou často bipolárně sigmoidální funkce hodnocené podle potřeb řešeného problému. Funkce g ohodnocuje vstup do paměťové buňky a funkce h vnitřní stav paměťové buňky. Ze vzorce (12) vyplývá, že paměťová buňka dokáže kontinuálně uchovávat určitou hodnotu přičemž ta může být ovlivněná jen vstupem do buňky, který je upravovaný vstupní bránou. V případě, že je brána uzavřená (její hodnota je blízká 0) stav buňky se mění jen minimálně což vyvolává efekt paměti. Výše popsaná paměťová buňka reprezentuje standardní typ, který byl rozšířený o takzvanou zapomínací bránu (forget gate). Tento prvek byl zavedený aby paměťová buňka mohla implicitně resetovat svůj vnitřní stav např. po každé trénovací sekvenci. Při standardní paměťové buňce bylo nutné po každé trénovací sekvenci explicitně resetovat stav sítě. Když nedošlo k explicitnímu resetování, mohlo nastat nekontrolované narůstání (pokles) vnitřního stavu a síť se nedokáže naučit požadovanou úlohu. Zapomínací brána eliminuje tuto potřebu vnějšího zásahu a poskytuje paměťové buňce schopnost kontroly vnitřního stavu bez vnějšího zásahu (resetování). Na obr. 15 je možné vidět, jakým způsobem ovlivňuje vnitřní stav paměťová buňku. Výše uvedené rovnice se tímto rozšíří:
(13)
42
(14)
vzorec (12) bude upravený na:
(15)
Obrázek 15: Architektura paměťové buňky se zapomínací bránou
Topologie LSTM – Standardně používaná topologie při tomto typu sítí se skládá ze třech vrstev: vstupní vrstva, skrytá vrstva, výstupní vrstva. Skrytá vrstva obsahuje paměťové buňky, brány paměťových buněk a také standardní skryté neurony. Jako způsob propojení prvků ve skryté vrstvě se často používá plné propojení prvků, kdy jsou všechny prvky propojené navzájem. Není to ale pravidlo a je možné navrhnout také jiný způsob propojení. Propojení mezi vrstvami se realizuje tak, že všechny prvky ve vrstvě jsou propojené s všemi prvky ve vyšší vrstvě, což znamená, že slouží jako vstupní hodnoty pro tyto prvky(neplatí to pro brány) Často se ve skryté vrstvě používají takzvané paměťové bloky, které se skládají z jedné a nebo více paměťových buněk, přičemž na jeden blok připadá jedna vstupní a jedna výstupní brána (všechny paměťové buňky v bloku mají společné brány). Příklad topologie LSTM se zapomínacími bránami je možno vidět na obr. 16.
43
Obrázek 16: Topologie LSTM
6. Aplikace metod na reálná data 6.1 Detekce spánkové Apnoe 6.1.1. Úvod Guilleminault prokázal že spánková apnoe má vliv na EKG [39,40]. Nazval tento vyplývající srdeční vzor Cyklická variace srdečního rytmu (obr 17).
Obrázek 17: Cyklická variace srdečního rytmu
44
Na obrázku (17) je vidět cyklická variace srdečního rytmu pro silnou spánkovou apnoi. Kdyby však nebyla dostatečně silná neměla by viditelný vliv na srdeční rytmus. Abychom mohli detekovat všechny apnoe, potřebujeme více komplexní algoritmus. Klasifikace bude dělaná podle příznaků získaných z tachogramu. Tachogram je získán z automatické detekce QRS komplexů.
6.1.2. Klasifikační schéma Klasifikační schéma můžeme rozdělit do následujících kroků: 1. Předzpracování signálu V této části je zpracováván EKG signál. Pro detekci QRS komplexů byla požita metaoda Pan-Tompkins [31] (obr.8) a je načtena anotace k příslušnému souboru. Signál je vyhlazený a intervaly s e špatnou detekcí QRS jsou zrušené.
2. Extrakce příznaků Časové parametry: RMSSD – Kvadratický kořen středních kvadratických rozdílů po sobě jdoucích NN intervalů. RR mean - střední hodnota délek RR intervalů. NN50 – počet intervalů delších než 50 ms, tento příznak může být nahrazen RMSSD. Frekvenční parametry: Nechali jsme se inspirovat tabulkou charakteristických spekter získanou z článku [42] (kapitola 5.2.2.). K výpočtu frekvenčních hodnot jsme požily parametrické metody “pburg” řádu 9, vhodnost výběru tohoto toho to postupu může být
ověřen pomocí “arfit toolbox” [43]. Tento výběr je kompromis, protože správný řád se může měnit. Je to způsobeno krátkou délkou intervalů přirozenou růzností v srdečních rytmech. Vybrali jsme následující parametry: Low Frequency/Hight Frequency (LF/HF), Total power (TP) – absolutní energie analyzovaného intervalu, Low Frequency (LF), High Frequency (HF), Very Low Frequency (VLF), normalizované LF a normalizované HF. DFA je metoda pro počítání korelačních vlastností nestacionárních časových sérií založených na výpočtu z časově závislé fluktuační funkce [44] (kapitola 5.2.1.). Na šedesáti sekundových intervalech jsou vypočteny jednotlivé příznaky. Dostaneme následující vstupní vektor příznaků pro každý interval. Vstupní vektor
=
[RMSSD,NN50,HF,HFn,2af ast,2atotal ,3af ast,3atotal ,TP,SDNN,VLF,
LF, LFn, RRmean, LF/HF]
45
3. Klasifikace V tomto kroku jsou vybrány vhodné příznaky jako vstupy do neuronové sítě. Výstupem neuronové sítě jsou dva stavy, které nám říkají, vyskytuje li se na daném intervalu spánková apnoe či nikoliv.
Obrázek 18: Klasifikační schéma spánkové apnoe
6.1.3. Klasifikace Trénovací a testovací data jsme získali z internetové databáze http://www.physionet.org. Trénovací skupinu tvoří 38 pacientů a testovací 25 pacientů. Tyto skupiny byly rovnoměrně rozděleny aby obsahovaly jak zdravé pacienty, tak pacienty u kterých se vyskytuje spánková apnoe. Při klasifikaci jsme potupovali podle výše uvedeného schématu. Náš původní předpoklad byl, že síť LSTM by měla být lepší než běžně používané sítě bez paměti (Feed-forward, Elman). Aby bylo porovnání korektní, zvolili jsme pro všechny typy sítí, stejný vstupní vektor příznaků. Po dlouhém zkoušení a měnění nastavení parametrů sítě (metodou pokus omyl), jsem došel k závěru, že nejlepší vstupní vektor příznaků a nastavení topologie sítí budou vypadat takto: Vybrané příznaky (vstupní neurony) pro všechny sítě- [NN50, DFA2afast, DFA3afast, DFA3atotal , LF/HF]
Nastavení DFA - Jako vhodné bylo vybráno DFA druhého a třetího řádu. DFA2afast – bylo počítáno ze základního okénka šířky n = 6 do okénka šířky n = 16, DFA řád je 2, požitý krok počítání je 1.2.
46
DFA2atotal – bylo počítáno ze základního okénka šířky n = 6 do okénka šířky absolutního počtu vzorků analyzovaného intervalu, DFA řád je 2, požitý krok počítání je 1.2 DFA3afast – bylo počítáno ze základního okénka šířky n = 6 do okénka šířky n = 16, DFA řád je 3, požitý krok počítání je 1.2. DFA3atotal – bylo počítáno ze základního okénka šířky n = 6 do okénka šířky absolutního počtu vzorků analyzovaného intervalu, DFA řád je 3, požitý krok počítání je 1.2 LSTM - Skrytá vrstva – [7 7 7 7 7] – pět bloků po sedmi paměťových buňkách, výstupní vrstva obsahuje dva stavy(ano, ne) Feed-forward, Elman - Skrytá vrstva obsahuje 15 klasických neuronů, výstupní vrstva obsahuje dva stavy(ano, ne) Ve výsledcích se objevují tři hodnoty: Celková úspěšnost, Sensitivita, Specificita
Sensitivita =
TP TP + FN
vzorec 16
Specificita =
TN TN + FP
vzorec 17
Tyto hodnoty vyplývají z následující Konfuzní matice.
Obrázek 19: Konfuzní matice
47
Trénovací skupina LSTM
Feed-forward
Elman
Pacient Úspěšnost Sensitivita Specificita Úspěšnost Sensitivita Specificita Úspěšnost Sensitivita Specificita a11 a12 a13 a14 a15 a16 a17 a18 a19 a20 c6 c7 c9 c10 x01 x02 x03 x04 x05 x06 x07 x08 x09 x10 x11 x12 x13 x14 x15 x16 x17 x18 x19 x20 x21 x22 x23 x24
80.3% 94.8% 86.7% 83.7% 81% 82.6% 88.9% 94.5% 91.4% 85.5% 99.4% 98.8% 96.6% 99.8% 83.6% 92.3% 91.4% 100% 84.2% 100% 82.1% 89.2% 82.5% 89.8% 97.2% 90.9% 77.9% 95.7% 68.9% 85.8% 98.3% 99.6% 90.1% 85.6% 87.8% 99.6% 82.9% 99.8%
0.88 0.95 0.91 0.83 0.97 0.83 0.89 0.96 0.96 0.95 0 0 0 0 0.9 0.9 0.15 1 0.9 1 0.81 0.96 0.76 0.82 0 0.74 0.96 0.96 0.6 0.46 0 0 0.91 0.88 0.72 0 0.64 0
0.76 0.87 0.84 0.86 0.6 0.82 0.89 0.79 0.89 0.75 1 0.99 1 1 0.69 0.94 0.99 1 0.76 1 0.83 0.81 0.85 0.91 0.97 0.92 0.67 0.95 0.74 0.95 1 1 0.85 0.86 0.94 1 0.88 1
73.4% 83.2% 78% 53.2% 79.2% 80.7% 76.9% 39.1% 86.9% 70.6% 85.9% 64.3% 81.6% 74% 68.6% 78.7% 75.9% 90.9% 76.8% 68.9% 62.9% 79.7% 71.1% 75.9% 77.5% 75.3% 66% 70.8% 62.5% 60.2% 55% 68.9% 81.5% 74.7% 62% 93.2% 70.4% 77.4%
0.83 0.95 0.71 0.8 0.8 0.85 0.65 0.91 0.82 0.87 0 0.01 0 0.01 0.85 0.69 0.08 0 0.76 0 0.6 0.86 0.56 0.38 0.06 0.28 0.74 0.97 0.54 0.24 0.01 0.01 0.87 0.7 0.38 0 0.41 0.01
0.69 0.21 0.93 0.29 0.74 0.73 0.83 0.11 0.91 0.58 1 0.99 0.99 1 0.46 0.94 0.99 1 0.8 1 0.66 0.71 0.79 0.87 0.98 0.97 0.58 0.23 0.67 1 1 1 0.41 0.84 0.99 1 0.9 1
73.6% 82.8% 80.6% 59.9% 78% 79.7% 77.9% 40% 86.7% 67.8% 87.4% 66% 82.9% 75.4% 68.6% 80% 75.7% 89.8% 76.2% 67.3% 63.1% 79.3% 72.1% 75.9% 80.7% 75.1% 65.6% 62.7% 62.5% 63.1% 55.5% 72.3% 81.9% 75.4% 65.1% 91.7% 72.7% 75.8%
0.85 0.95 0.74 0.82 0.8 0.84 0.68 0.92 0.86 0.86 0 0.01 0.01 0.01 0.87 0.7 0.08 0 0.76 0 0.61 0.88 0.6 0.37 0.07 0.27 0.76 0.97 0.54 0.25 0.01 0.01 0.88 0.71 0.4 0 0.43 0.01
0.69 0.21 0.92 0.32 0.68 0.71 0.82 0.12 0.87 0.55 1 0.99 1 1 0.47 0.95 0.99 1 0.76 1 0.65 0.69 0.78 0.86 0.98 0.97 0.57 0.2 0.66 1 1 1 0.44 0.83 0.98 1 0.89 1
celkem
89.7%
0.876
0.909
73%
0.615
0.822
73.5%
0.623
0.816
Tabulka 1: Výsledky detekce spánkové apnoe pro trénovací skupinu.
48
Testovací skupina LSTM
Feedforward
Elman
Pacient Úspěšnost Sensitivita Specificita Úspěšnost Sensitivita Specificita Úspěšnost Sensitivita Specificita a01 a02 a03 a04 a05 a06 a07 a08 a09 a10 c01 c02 c03 c04 c05 x26 x27 x28 x29 x30 x31 x32 x33 x34 x35
96.1% 54% 88.4% 96.1% 60.6% 65.1% 77.3% 77.2% 64.2% 72.3% 100% 93% 83.7% 99.8% 99.4% 80.8% 59.2% 79.2% 99.4% 76.1% 96.4% 45.1% 99.4% 97.3% 100%
0.99 0.98 0.84 0.99 0.95 0.74 0.75 0.71 0.95 0.36 1 0 0 0 0 0.84 0.99 0.93 0 0.77 0.97 0.82 0 0 1
0.5 0.39 0.94 0.71 0.5 0.65 0.84 0.81 0.38 0.88 1 1 1 1 0.99 0.73 0.04 0.38 1 0.74 0.86 0.23 0.99 0.99 1
66.3% 65.7% 79.2% 95.1% 67.6% 59.4% 66.7% 73.7% 65.7% 62.3% 87.6% 77.3% 91.2% 79.5% 87.3% 66.5% 92.2% 81.6% 86.3% 66.5% 80.1% 74% 67.2% 65.1% 91.9%
0.98 0.91 0.7 0.97 0.76 0.5 0.71 0.6 0.92 0.29 0 0.01 0 0 0.03 0.82 0.98 0.89 0 0.71 0.98 0.93 0.02 0.02 0
0.07 0.35 0.99 0.73 0.58 0.63 0.56 0.9 0.39 0.88 1 1 1 1 1 0.5 0.06 0.25 1 0.55 0.24 0.44 1 1 1
71.2% 61.6% 82.7% 94.9% 65.4% 57.1% 67.7% 75.5% 64.2% 64.4% 86.8% 77.9% 91% 83.4% 86.9% 65.8% 90.2% 80.2% 74.3% 66.3% 85.3% 79% 68.5% 66.7% 91.5%
0.98 0.92 0.73 0.97 0.76 0.45 0.73 0.63 0.92 0.29 0 0.01 0 0 0.03 0.84 0.99 0.91 0 0.72 0.98 0.95 0.02 0.02 0
0.08 0.32 0.99 0.71 0.55 0.62 0.57 0.89 0.37 0.87 1 1 1 1 1 0.5 0.09 0.28 1 0.54 0.3 0.5 1 1 1
celkem
82.1%
0.855
0.801
75%
0.7
0.793
75.8%
0.72
0.793
Tabulka 2: Výsledky detekce spánkové apnoe pro testovací skupinu.
Jak je vidět u trénovací i u testovací skupiny síť LSTM je vhodnější než zbývající dvě sítě. Na následující stránkách jsou vidět některé ukázky dobře a špatně detekovaných záznamů pro LSTM. Po bližším přezkoumání jsem došel k závěru, že méně úspěšné klasifikace jsou především způsobeny horší kvalitou EKG záznamu a z toho následně vyplývající horší kvalitou detekce QRS komplexů.
49
Popis následujících obrázků: v horní polovině obrázku vždy anotace a v dolní polovině námi klasifikovaný signál. 1 je normální dýchání a 8 značí výskyt spánkové apnoe.
Ukázka správné detekce
Obrázek 20: správná detekce (úspěšnost 96.1%)
Obrázek 21: správná detekce (úspěšnost 100%)
50
Ukázka špatné detekce
Obrázek 22: špatná detekce (úspěšnost 60.6%)
Obrázek 23: špatná detekce (úspěšnost 83.7%)
Další výsledky jsou k dispozici v příloze A.
51
6.2 Detekce spánkových stavů
Při klasifikaci spánkových stavů jsem postupoval podle stejného klasifikačního schématu jako u spánkové apnoe (obr.17), akorát bylo nutno klasifikovat do čtyř tříd, nikoliv do dvou. Zvolil jsem jednoduší rozdělení pouze na čtyři spánkové stavy z původních šesti. Naše čtyři stavy jsou: vzhůru, REM, střední a hluboký spánek. Podařilo se nám však získat pouze 10 poměrně dobrých spánkových záznamů EKG, proto bylo takřka vyloučené vytvořit kvalitní testovací i trénovací data. Vytvořil jsme tedy trénovací skupinu s pouze osmi pacienty. Ke klasifikaci byla požita síť LSTM, protože díky charakteru spánkového hypnogramu je pro toto úlohu nejvhodnější.
Nejlepší nastavení vstupních příznaků a topologie sítě: Vybrané příznaky (vstupní neurony) pro všechny sítě - [NN50, DFA2afast, DFA2atotal, DFA3afast, DFA3atotal , LF/HF] (příznaky počítané na třicetisekundových intervalech)
LSTM - Skrytá vrstva – [7 7 7 7 7 7] – šest bloků po sedmi paměťových buňkách, výstupní vrstva obsahuje čtyři neurony(vzhůru, REM, střední a hluboký spánek)
Na další straně jsou vidět výsledky, ke kterým jsem dospěl hypnogramy na obrázcích jsou ohodnoceny takto: 3 = vzhůru 2 = REM 1 = střední spánek (sloučený 1 a 2) 0 = hluboký spánek (sloučený 3 a 4)
52
Ukázka Pacientů trénovací skupiny: Anotovany hypnogram 3 2 1 0 0
100
200
300
400
500
600
700
800
600
700
800
Vypocteny hypnogram 3 2 1 0 0
100
200
300
400
500
Obrázek 24: Pacient 6 – chyba = 19.4% Anotovany hypnogram 3 2 1 0 0
100
200
300
400
500
600
700
800
600
700
800
Vypocteny hypnogram 3 2 1 0 0
100
200
300
400
500
Obrázek 25: Pacient 19 – chyba = 18.2%
53
Testovací skupina: Anotovany hypnogram 3 2 1 0 0
100
200
300
400
500
600
700
500
600
700
Vypocteny hypnogram 3 2 1 0 0
100
200
300
400
Obrázek 26: Pacient 28 – chyba = 51% Další výsledky jsou k dispozici v příloze B.
7. Závěr Tato práce se zabývá problematikou spánku, detekcí spánkových stavů a spánkové apnoe z EKG. V současné době je klinické zkoumání spánku poměrně obtížné a finančně náročné, proto je důležité tyto metody zjednodušit a zpřístupnit co nejvíce lidem trpícím poruchami spánku, kterých v součastné době stále přibývá. V první části práce je popsána historie spánkového výzkumu a výsledky, ke kterým vědci došli. Popisuje fáze spánku, spánkové mechanizmy, funkci spánku a další podrobnosti. V druhé části jsou popsány poruchy a choroby, které se spánkem souvisí. Ve třetí části je rozbor analýz vhodných ke zpracování EKG a následně se tato část zabývá problematikou umělých neuronových sítí. V poslední fázi práce se zabývám již samotnou aplikací všech těchto metod a postupů na reálná data pacientů při detekci spánkových stavů a detekci spánkové apnoe.
54
Při detekci spánkové apnoe jsem dospěl na testovací skupině k poměrně kvalitní výsledkům. 82,1% celková úspěšnost, 0.855 sensitivita a 0.801 specificita jsou na testovací skupině je velice dobrá čísla. Nejlepší algoritmy řeší tuto úlohu s úspěšností kolem 90%. Nejlépe se při extrakci vstupních příznaků pro neuronovou síť osvědčila nelineární metoda DFA, která není k analýze srdečního rytmu příliš používaná. Použili jsme také některé frekvenční a časové parametry. Z neuronových sítí se nejlépe podle očekávání osvědčila síť s paměťovými buňkami (LSTM). Největší slabinu této metody jsem shledal při horší úspěšnosti detekce QRS komplexů. Tato detekce může mít horší kvalitu především kvůli výskytu některých nekvalitnějších záznamů EKG. Pokud by se naše detekce QRS kompexů blížila sto procentům, věřím že by se naše celková úspěšnost pohybovala někde kolem nejúspěšnějších algoritmů. Jelikož je tato metoda nízko nákladová, mohli bychom si od pacienta, v případě získání nekvalitního záznamu, získat záznam další bez větších výdajů. Proto má tato metoda určitě perspektivu. Pokud se týče detekce spánkových stavů, podařilo se nám sehnat pouze 10 poměrně kvalitních záznamů EKG (velký počet záznamů jsem musel vyřadit), proto bylo takřka vyloučené udělat kvalitní testovací a trénovací skupinu. Nicméně i přes to jsem se dostal při detekci rozdělené na čtyři spánkové stavy (vzhůru, REM, střední a hluboký spánek ) u testovací skupiny obsahující 8 pacientů na úspěšnost 77,7%. U testovacích pacientů se pohybovala úspěšnost kolem 50%. K rozhodování jsem používal opět síť LSTM, která se k tomu jeví velice vhodně z důvodu, že spánkové stavy by se měli vyskytovat v blocích. Z výše uvedených čísel vyplývá, že se tato síť dá na klasifikaci naučit, ale abychom dosáhli dobré úspěšnosti a měli úspěch i na testovacích datech, bylo by třeba zajistit daleko více kvalitních záznamů pacientů. Protože je rozhodování složitější než u spánkové apnoe doporučoval bych skupinu alespoň 100 pacientů. Nejlepší by také bylo, kdyby byli od jednoho doktora z jedné nemocnice. Záznamy z různých nemocnic dost často nejdou společně příliš dohromady. Vyplývá to z toho že určování stavů ve spánkových laboratořích není taky úplně přesné. Tato problematika je velmi náročná a rozsáhlá, proto je důležité v práci pokračovat a zdokonalovat ji. Výsledky této práce se dají označit jako “nadějné“. Kdyby se v budoucnu daly detekovat pomocí této metody spánkové stavy z EKG, byl by to způsob výrazně výhodnější než stávající metody a měl by přínos pro velkou část populace. Co se týče detekce spánkové apnoe, jsou výsledky ještě lepší.
55
8. Literatura [1] A.L. Loomis, E.N. Harvey, and G.A. Hobart. Cerebral States During Sleep, as Studied by Human Brain Potentials. J. Exp. Psychol., 21:127-144, 1937. [2] E. Aaserinsky and N. Kleitman. Regularz Occuring Periods of Eye Motility, and Concomitant Phenomena, During Sleep. Science, 118:273-274, 1953 [3] M. Teplan. Fundaments of EEG measurement. Measurement Science Review, 2:1-11, 2002. [4] A. Rechtshaffen, A. Kales, and (Eds.). A Manual of Standardized Terminology, Techniques and Scoring Systém for Sleep Stages Subject. US Government Printing Office, National Institute of Health Publication, Washington DC, 1968. [5] D.-L. Himanen. Anew Visual Adaptive Scoring Systém for Sleep Recordings. Electronic dissertation, Acta Electronica Universitatis Tamperensis, 61, 2000. [6] M.G. Terzano et al. Altas, rules, and recording techniques for the scoring of cyclic alternating pattern (CAP) in human sleep. Sleep Medicine, 2:537-553, 2001 [7] P.Halász, M. G. Terzano, L. Parrino, and R. Bódisz. The nature of arousal in sleep. J. Sleep Res., 13:1-23, 2004. [8] K.Sakai and S. Crochet. A neural mechanism of sleep and wakefulness. Sleep and Biological Rythms, 1:29-42, 2003. [9] WWW.Sleep Study URL: http://www.sleepstudy.org [10] J.Horne. The Phenomena of Human Sleep. Karger Gazette, 1997. [11] A. Rechtschaffen and J.M. Siegel. Sleep and Dreming. In: Principles of Neuroscience. Edited by E.R. Kandel, J.H. Schwartz and T.M. Jessel. McGraw-Hill, New York, 2000. [12] Zi-Jian Cai. Function of Sleep: Further Analysis. Physiology Behavior, 50:53-60, 1989. [13] R. Huber, Ghilardi M.F., M. Massimini, and G. Tononi. Local sleep and learning. Nature, 430(6995):78-81,2004. [14] K. Doghramnij, M. Mitler, et al. A Normative Studz of the Maintenance of Wakefulness Test (MWT).Electroncephalogr. Clin. Neurophysiol., 103:554-562, 1997. [15] S. Daan, D. G. M. Beersma, and A.A.Borb'ely. Timing of human sleep> recovery process gated by a circadian pacemaker. Am. J. Physiol., 246:161-178, 1984. [16] S. Robrts and L. Tarassenko. New method of automated sleep quantification. Med. Biol. Eng. Comput., 30>509-517, 1992. [17] P.Achermann and A.A. Borbély.Mathematical Models of Sleep Regulation. Frontiers in Bioscience,8:683-693, 2003. 56
[18] A.A. Borbély, F. Baumann, D. Brandeis, I. Strauch, and D. Lehmann. Sleep Deprivation: Efect on Sleep Stages and EEG Power Densitz in Man. Elelctroencephalogr. Clin. Neurophysiol., 51:483-493, 1981. [19] American Sleep Disorders Association (1997). International Classification of Sleep Disorders, Revised: Diagnostic and Coding Manual. American Sleep Disorders Association, Rochester,MN. [20] Douglass, A., Bornstein, R., and Nino-Murcia, G. (1986). Sleep Disorders Questionnaire. Univ. of Michigan Press, Ann Arbor. [21]Guilleminault, C., Mignot, E., and Grumet, C. (1989). Family study of narcolepsy. Lancet. 11, 1376. [22] Hoddes, E., Dement, W. C., and Zarcone, V. (1972). The development and use of the Stanford Sleepiness Scale (SSS). Psychophysiology 9, 150. [23]Johns, M. W. (1991). A new method for measuring daytime sleepiness: The Epworth Sleepiness Scale. Sleep 14, 540–545. [24] M. Gandhimohan, C.-K. Viswanathan, H. Peng, E. Stanley, A.L. Goldberger, Deviations from uniform power law scaling in nonstationary time series, Phys. Rev. E 55 (1997) 845–849. [25] P. Ch. Ivanov, M.G. Rosenblum, C.-K. Peng, J. Mietus, S. Havlin, H.E. Stanley, A.L. Goldberger, Scaling behavior of heartbeat intervals obtained by wavelet-based time-series analysis, Nature 383 (1996) 323–327. [26] S.V. Buldyrev, A.L. Goldberger, S. Havlin, C.-K. Peng, H.E. Stanley, in: A. Bunde, S. Havlin (Eds.), Fractals in Science, Springer, Berlin, 1994, pp. 48–87. [27] T. Kobayashi, S. Madokoro, T. Ota, H. Ihara, Y. Umezawa, J. Murayama, H. Kosaka, K. Misaki, H. Nakagawa, Analysis of the human sleep electroencephalogram by the correlation dimension, Psychiatry Clin. Neurosci. 54 (3) (2000) 278–279. [28] J. Fell, J. Roschke, K. Mann, C. Schaffner, Discrimination of sleep stages: a comparison between spectral and nonlinear EEG measures, Electroencephalogra Clin. Neurophysiol. 98 (5) (1996) 401–410. [29] C.-K. Peng, S. Havlin, H.E. Stanley, A.L. Goldberger, Quantification of scaling exponents and crossover phenomena in nonstationary heartbeat time series, Chaos 5 (1995) 82–87. [30] J. Beran, Statistics for Long-Memory Processes, Chapman & Hall, New York, 1994. [31] J. Pan and WJ Tompkins, A real-time QRS detection algorithm. IEEE Trans. Biomed. Eng., BME-32 (3):230-236, 1985 [32] Zhi Chen Pedro Carpena Kun Hu, Plamen Ch. Ivanov and H. Eugene Stanley. Effect of trends on detretrended fluctuation analysis. Physical Review E, 64(011114):1–19, 2001. 57
[33] Task Force of the European Society of Cardilogy. Heart rate variability: Standards of measurements, physiological interpretation, and clinical use. European Heart Journal, 17:354– 381, March 1996. [34] B. Kroose and P. Van der Smagt. An introduction to neural networks, 1993. [35] B. Pearlmutter. Dynamic recurrent neural networks. Technical report, Carnegie Mellon University, Pittsburgh, 1990. [36] B. Kroose and P. Van der Smagt. An introduction to neural networks, 1993. [37] S. Hochreiter, J. Schmidhuber : Long Short-Term Memory. In: Neural Computation, 1997, s.1735-1780. [38] F. A. Gers, J. Schmidhuber, F. Cummins : Learning to Forget: Continual Prediction with LSTM. Neural Computation, 2000, s.2451-2471 [39] C. Guilleminault S. Connolly R. Winkle K. Melvin and A. Tilkian. Cyclical variation of the heart rate in sleep apnoea syndrome – mechanisms, and usefulness of 24 h electrocardiography as a screening technique. Lancet, 1(207):126–131, January 21 1984. [40] Stein PK, Duntley SP, Domitrovich PP, and et al. A simple method to identify sleep apnea using holter recordings. J Cardiovasc Electrophysiol, 14:467–473, 2003 [41] T. F. of the European Society of Cardilogy, “Heart rate variability: Standards of measurements, physiological interpretation, and clinical use,” European Heart Journal, vol. 17, pp. 354–381, March 1996. [42] T. Penzel, J. W. Kantelhardt, L. Grote, J.-H. Peter, , and A. Bunde, “Comparison of detrended fluctuation analysis and spectral analysis for heart rate variability in sleep and sleep apnea,” IEEE, February 2003. [43] A. Neumaier and T. Schneider, “Estimation of parameters and eigenmodes of multivariate autoregressive models,” ACM Trans. Math. Softw., vol. 27, no. 1, pp. 27–57, 2001. [44] L. G. J.-H. P. Thomas Penzel, Jan W. Kantelhardt and A. Bunde, “Comparison of detrended fluctuation analysis and spectral analysis for heart rate variability in sleep and sleep apnea,” IEEE, February 2003.
58
9. Přílohy A. Výsledky detekce spánkové apnoe
LSTM Vybrané příznaky(vstupní neurony) - [NN50, DFA2afast, DFA 3afast, DFA 3atotal , LF/HF] Skrytá vrstva – [7 7 7 7 7] – pět bloků po sedmi buňkách
Trénovací skupina: V horní polovině obrázku vždy anotace a v dolní polovině námi klasifikovaný signál. 1 je normální dýchání a 8 značí výskyt spánkové apnoe Record a11 annotation
Record a12 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record a11 Record a13 annotation
5
5
0
0
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
400
600
500
600
500
600
500
600
Record a14 annotation 10
50
300 Time [minutes]
500
Record a12
10
0
300 400 Time [minutes] Classification result
350
400
450
500
Record a13
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record a14
59
400
Record a15 annotation
Record a16 annotation
10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record a15
Record a16
Record a17 annotation
Record a18 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record a17
Record a18
Record a19 annotation
Record a20 annotation
10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
Record a19
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record a20
60
400
500
600
500
600
Record c06 annotation
Record c07 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
50
100
150
0
50
100
150
Record c06 Record c09 annotation
5
5
0
0
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
50
100
150
0
50
100
150
Record c09
10
5
5
0
0 200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
350
400
450
200 250 300 Time [minutes] Classification result
200 250 Time [minutes]
300
350
400
450
350
400
450
Record x02 annotation
Record x01 annotation
100
450
Record c10
10
0
300
400
Record c10 annotation 10
50
200 250 Time [minutes]
350
Record c07
10
0
200 250 300 Time [minutes] Classification result
400
500
600
Record x01
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x02
61
Record x03 annotation
Record x04 annotation
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x03
Record x04
Record x05 annotation
Record x06 annotation
10
10
5
5
0
0 0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
400
500
600
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x05
Record x06
Record x07 annotation
Record x08 annotation
10
10
5
5
0
0 0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
400
500
600
Record x07
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record x08
62
400
500
600
500
600
Record x09 annotation
Record x10 annotation
10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
0
100
200
0
100
200
Record x09 Record x11 annotation
5
5
0
0 100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record x11 Record x13 annotation
5
5
0
0
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
600
300 400 Time [minutes] Classification result
500
600
300 Time [minutes]
400
500
600
Record x14 annotation 10
100
500
Record x12
10
0
400
600
Record x12 annotation 10
50
300 Time [minutes]
500
Record x10
10
0
300 400 Time [minutes] Classification result
400
500
600
Record x13
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x14
63
Record x15 annotation
Record x16 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record x15
300 400 Time [minutes] Classification result
300 Time [minutes]
400
500
600
500
600
Record x16
Record x17 annotation
Record x18 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
10
10
5
5
0
0
0
50
100
150
200 250 Time [minutes]
300
350
400
450
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x17
Record x18
Record x19 annotation
Record x20 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x19
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record x20
64
400
500
600
500
600
Record x21 annotation
Record x22 annotation
10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x21
Record x22
Record x23 annotation Record x24 annotation
10 10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
0
50
100
150
0
50
100
150
Record x23
200 250 300 Time [minutes] Classification result
200 250 Time [minutes]
300
350
400
450
350
400
450
Record x24
Testovací skupina: Record a01 annotation
Record a02 annotation
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record a01
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record a02 65
400
500
600
500
600
Record a03 annotation 10
Record a04 annotation 10
5 5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
Record a03
Record a04
Record a05 annotation Record a06 annotation
10 10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record a05 Record a07 annotation
5
5
0
0 200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
400
600
500
600
Record a08 annotation 10
100
300 Time [minutes]
500
Record a06
10
0
300 400 Time [minutes] Classification result
400
500
600
Record a07
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record a08
66
400
500
600
500
600
Record a09 annotation
Record a10 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record a09
300 400 Time [minutes] Classification result
300 Time [minutes]
400
500
600
500
600
Record a10
Record c01 annotation Record c02 annotation
10 10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record c01
300 400 Time [minutes] Classification result
300 Time [minutes]
400
500
600
500
600
Record c02
Record c03 annotation
Record c04 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record c03
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record c04
67
Record c05 annotation
Record x26 annotation
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record c05 Record x27 annotation
5
5
0
0
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x28
Record x29 annotation
Record x30 annotation 10
5
5
0
0
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
600
50
10
50
500
0
Record x27
0
400
600
Record x28 annotation 10
50
300 Time [minutes]
500
Record x26
10
0
300 400 Time [minutes] Classification result
350
400
450
500
Record x29
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record x30
68
400
500
600
500
600
Record x31 annotation Record x32 annotation
10 10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
0
100
200
0
100
200
Record x31
300 400 Time [minutes] Classification result
300 Time [minutes]
400
500
600
500
600
Record x32
Record x33 annotation Record x34 annotation
10 10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x33
Record x34 Record x35 annotation
10
5
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
10
5
0
Record x35
69
Feedforward backpropagation network Vybrané příznaky(vstupní neurony) - [NN50, DFA2afast, DFA 3afast, DFA 3atotal , LF/HF] Skrytá vrstva – 15 neuronů
Trénovací skupina: Record a11 annotation
Record a12 annotation
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
100
200
0
100
200
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record a11
600
Record a13 annotation
5
5
0
0
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
50
100
150
200 250 300 Time [minutes]
400
500
600
Record a14 annotation 10
50
300 Time [minutes]
Record a12
10
0
500
0 0
0
300 400 Time [minutes] Classification result
350
400
450
500
Record a13
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record a14
70
400
500
600
500
600
Record a15 annotation
Record a16 annotation
10
10
5
5
0
0 0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
400
500
600
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record a15
Record a16
Record a17 annotation
Record a18 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record a17
Record a18 Record a20 annotation
Record a19 annotation 10
10
5
5
0
0 0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
400
500
600
Record a19
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record a20
71
400
500
600
500
600
Record c07 annotation
Record c06 annotation 10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
50
100
150
0
50
100
150
Record c06 Record c09 annotation
5
5
0
0 100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
50
100
150
0
50
100
150
Record c09 Record x01 annotation
5
5
0
0 200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
350
400
450
200 250 300 Time [minutes] Classification result
350
400
450
200 250 Time [minutes]
300
350
400
450
Record x02 annotation 10
100
450
Record c10
10
0
300
400
Record c10 annotation 10
50
200 250 Time [minutes]
350
Record c07
10
0
200 250 300 Time [minutes] Classification result
400
500
600
Record x01
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x02
72
Record x03 annotation
Record x04 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x03
Record x04
Record x05 annotation
Record x06 annotation
10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x05
Record x06
Record x07 annotation
Record x08 annotation
10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
Record x07
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record x08
73
400
500
600
500
600
Record x09 annotation
Record x10 annotation
10
10
5
5
0
0 0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
400
500
600
0
100
200
0
100
200
Record x09
300 400 Time [minutes] Classification result
300 Time [minutes]
400
500
600
500
600
500
600
500
600
Record x10
Record x11 annotation
Record x12 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record x11
300 400 Time [minutes] Classification result
300 Time [minutes]
400
Record x12
Record x13 annotation
Record x14 annotation
10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
Record x13
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x14
74
Record x15 annotation
Record x16 annotation
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record x15 Record x17 annotation
5
5
0
0
100
150
200 250 300 Time [minutes] Classification result
350
400
450
10
10
5
5
0
0
0
50
100
150
200 250 Time [minutes]
300
350
400
450
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x19 annotation
Record x20 annotation 10
5
5
0
0
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
600
Record x18
10
50
500
0
Record x17
0
400
600
Record x18 annotation 10
50
300 Time [minutes]
500
Record x16
10
0
300 400 Time [minutes] Classification result
350
400
450
500
Record x19
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
400
Record x20
75
500
600
500
600
Record x21 annotation
Record x22 annotation
10
10
5
5
0
0 0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
400
500
600
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x21
Record x22
Record x23 annotation
Record x24 annotation
10
10
5
5
0
0 0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
400
500
600
0
50
100
150
0
50
100
150
Record x23
200 250 300 Time [minutes] Classification result
200 250 Time [minutes]
300
350
400
450
350
400
450
Record x24
Testovací skupina: Record a02 annotation
Record a01 annotation 10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record a01
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record a02 76
400
500
600
500
600
Record a03 annotation
Record a04 annotation
10
10
5
5
0
0 0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
400
500
600
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record a03
Record a04
Record a05 annotation
Record a06 annotation
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record a05
300 400 Time [minutes] Classification result
300 Time [minutes]
400
500
600
500
600
Record a06
Record a07 annotation
Record a08 annotation
10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
Record a07
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record a08
77
400
500
600
500
600
Record a09 annotation
Record a10 annotation
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record a09 Record c01 annotation
5
5
0
0 100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record c01 Record c03 annotation
5
5
0
0
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
600
300 400 Time [minutes] Classification result
500
600
300 Time [minutes]
400
500
600
Record c04 annotation 10
50
500
Record c02
10
0
400
600
Record c02 annotation 10
50
300 Time [minutes]
500
Record a10
10
0
300 400 Time [minutes] Classification result
350
400
450
500
Record c03
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record c04
78
Record c05 annotation
Record x26 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record c05
300 400 Time [minutes] Classification result
300 Time [minutes]
400
500
600
500
600
Record x26
Record x27 annotation
Record x28 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x27
Record x28
Record x29 annotation
Record x30 annotation
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x29
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
400
Record x30
79
500
600
500
600
Record x31 annotation
Record x32 annotation
10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
0
100
200
0
100
200
Record x31 Record x33 annotation
5
5
0
0
100
150
400
600
500
600
Record x34 annotation 10
50
300 Time [minutes]
500
Record x32
10
0
300 400 Time [minutes] Classification result
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x33
Record x34 Record x35 annotation
10
5
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
10
5
0
Record x35
80
Elmanova síť Vybrané příznaky(vstupní neurony) - [NN50, DFA2afast, DFA 3afast, DFA 3atotal , LF/HF] Skrytá vrstva – 15 neuronů
Trénovací skupina: Record a11 annotation
Record a12 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record a11 Record a13 annotation
5
5
0
0 100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
400
600
500
600
500
600
500
600
Record a14 annotation 10
50
300 Time [minutes]
500
Record a12
10
0
300 400 Time [minutes] Classification result
350
400
450
500
Record a13
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record a14
81
400
Record a15 annotation
Record a16 annotation
10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record a15
Record a16
Record a17 annotation 10
Record a18 annotation 10
5 5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record a17
Record a18
Record a19 annotation
Record a20 annotation
10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
Record a19
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record a20
82
400
500
600
500
600
Record c06 annotation
Record c07 annotation
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
50
100
150
0
50
100
150
Record c06
200 250 300 Time [minutes] Classification result
200 250 Time [minutes]
300
350
400
450
350
400
450
Record c07
Record c09 annotation 10
Record c10 annotation 10
5 5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
0
50
100
150
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
300
350
400
450
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record c09
Record c10 Record x02 annotation
Record x01 annotation 10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
200 250 Time [minutes]
400
500
600
Record x01
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x02
83
Record x04 annotation
Record x03 annotation 10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x03
Record x04
Record x05 annotation
Record x06 annotation
10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x05
Record x06 Record x08 annotation
Record x07 annotation 10
10
5
5
0
0 0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
400
500
600
Record x07
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record x08
84
400
500
600
500
600
Record x09 annotation
Record x10 annotation
10
10
5
5
0
0 0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
400
500
600
0
100
200
0
100
200
Record x09
300 400 Time [minutes] Classification result
300 Time [minutes]
400
500
600
500
600
500
600
500
600
Record x10
Record x11 annotation Record x12 annotation
10 10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
0
100
200
0
100
200
300 400 Time [minutes] Classification result
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x11
300 Time [minutes]
400
Record x12
Record x13 annotation
Record x14 annotation
10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
Record x13
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x14
85
Record x15 annotation Record x16 annotation
10 10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record x15
300 400 Time [minutes] Classification result
300 Time [minutes]
400
500
600
500
600
Record x16
Record x17 annotation Record x18 annotation
10 10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
10
10
5
5
0
0
0
50
100
150
200 250 Time [minutes]
300
350
400
450
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x17
Record x18
Record x19 annotation
Record x20 annotation
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x19
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
400
Record x20
86
500
600
500
600
Record x21 annotation
Record x22 annotation
10
10
5
5
0
0 0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
400
500
600
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x21
Record x22
Record x23 annotation Record x24 annotation
10 10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
0
50
100
150
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
350
400
450
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
Record x23
200 250 Time [minutes]
300
Record x24
Testovací skupina: Record a01 annotation
Record a02 annotation
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record a01
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record a02
87
400
500
600
500
600
Record a03 annotation
Record a04 annotation
10
10
5
5
0
0
0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
500
600
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record a03
Record a04
Record a05 annotation
Record a06 annotation
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record a05 Record a07 annotation
5
5
0
0
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0
0
100
200
300 Time [minutes]
400
600
500
600
Record a08 annotation 10
100
300 Time [minutes]
500
Record a06
10
0
300 400 Time [minutes] Classification result
400
500
600
Record a07
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record a08
88
400
500
600
500
600
Record a10 annotation
Record a09 annotation 10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record a09 10
5
5
0
0 100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record c01 Record c03 annotation
5
5
0
0 100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
600
300 400 Time [minutes] Classification result
500
600
300 Time [minutes]
400
500
600
Record c04 annotation 10
50
500
Record c02
10
0
400
600
Record c02 annotation
Record c01 annotation
50
300 Time [minutes]
500
Record a10
10
0
300 400 Time [minutes] Classification result
350
400
450
500
Record c03
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record c04
89
Record x26 annotation
Record c05 annotation 10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
0
100
200
0
100
200
Record c05 Record x27 annotation
5
5
0
0
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x30 annotation
Record x29 annotation 10
5
5
0
0 100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
10
5
5
0
0 0
50
100
150
200 250 300 Time [minutes]
600
Record x28
10
50
500
0
Record x27
0
400
600
Record x28 annotation 10
50
300 Time [minutes]
500
Record x26
10
0
300 400 Time [minutes] Classification result
350
400
450
500
Record x29
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
400
Record x30
90
500
600
500
600
Record x31 annotation
Record x32 annotation
10
10
5
5
0
0 0
100
200
300 400 Time [minutes] Classification result
500
600
10
10
5
5
0
0 0
100
200
300 Time [minutes]
400
500
600
0
100
200
0
100
200
300 400 Time [minutes] Classification result
300 Time [minutes]
Record x31
400
500
600
500
600
Record x32
Record x33 annotation 10
Record x34 annotation 10
5 5
0
0
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
10
0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
10
5
5
0
0
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
Record x33
Record x34 Record x35 annotation
10
5
0 0
50
100
150
200 250 300 Time [minutes] Classification result
350
400
450
500
0
50
100
150
200 250 300 Time [minutes]
350
400
450
500
10
5
0
Record x35
91
B. Výsledky detekce spánkových stavů (trénovací data) Anotovany hypnogram 3 2 1 0 0
100
200
300
400
500
600
700
800
900
700
800
900
700
800
900
700
800
900
Vypocteny hypnogram 3 2 1 0 0
100
200
300
400
500
600
Pacient 9 – chyba = 27.5%
Anotovany hypnogram 3 2 1 0 0
100
200
300
400
500
600
Vypocteny hypnogram 3 2 1 0 0
100
200
300
400
500
600
Pacient 15 – chyba = 21.6%
92
Anotovany hypnogram 3 2 1 0 0
100
200
300
400
500
600
700
800
600
700
800
Vypocteny hypnogram 3 2 1 0 0
100
200
300
400
500
Pacient 27 – chyba = 21.3%
Anotovany hypnogram 3 2 1 0 0
100
200
300
400
500
600
700
800
900
700
800
900
Vypocteny hypnogram 3 2 1 0 0
100
200
300
400
500
600
Pacient 2S – chyba = 21.3%
93
Anotovany hypnogram 3 2 1 0 0
100
200
300
400
500
600
700
800
900
700
800
900
600
700
800
600
700
800
Vypocteny hypnogram 3 2 1 0 0
100
200
300
400
500
600
Pacient 16S – chyba = 20.4%
Anotovany hypnogram 3 2 1 0 0
100
200
300
400
500
Vypocteny hypnogram 3 2 1 0 0
100
200
300
400
500
Pacient 54S – chyba = 29%
94
