Automatic detection of sleep arousal events from polysomnographic biosignals

Shahrbabaki, Sobhan Salari; Dissanayaka, Chamila; Patti, Chanakya Reddy; Cvetković, Dean

doi:10.1109/biocas.2015.7348363

Cited by 8 publications

(13 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Even though several works have applied a minimal physiological signal to detect sleep conditions, but only a few works have applied it to diagnose and treat the various sleep disorders instead of the use of a multichannel signal (PSG). A study [30] has developed an algorithm for detecting the sleep arousal. By using K-nearest Neighbours (KNN) classifier, this method achieved averagely 79% of sensitivity, 95.5% specificity, and 93% accuracy.…”

Section: Related Workmentioning

confidence: 99%

Automatic Sleep Disorders Classification Using Ensemble of Bagged Tree Based on Sleep Quality Features

2020

View full text Add to dashboard Cite

Sleep disorder is a medical disease of the sleep patterns, which commonly suffered by the elderly. Sleep disorders diagnosis and treatment are considered to be challenging due to a time-consuming and inconvenient process for the patient. Moreover, the use of Polysomnography (PSG) in sleep disorder diagnosis is a high-cost process. Therefore, we propose an efficient classification method of sleep disorder by merely using electrocardiography (ECG) signals to simplify the sleep disorders diagnosis process. Different from many current related studies that applied a five-minute epoch to observe the main frequency band of the ECG signal, we perform a pre-processing technique that suitable for the 30-seconds epoch of the ECG signal. By this simplification, the proposed method has a low computational cost so that suitable to be implemented in an embedded hardware device. Structurally, the proposed method consists of five stages: (1) pre-processing, (2) spectral features extraction, (3) sleep stage detection using the Decision-Tree-Based Support Vector Machine (DTB-SVM), (4) assess the sleep quality features, and (5) sleep disorders classification using ensemble of bagged tree classifiers. We evaluate the effectiveness of the proposed method in the task of classifying the sleep disorders into four classes (insomnia, Sleep-Disordered Breathing (SDB), REM Behavior Disorder (RBD), and healthy subjects) from the 51 patients of the Cyclic Alternating Pattern (CAP) sleep data. Based on experimental results, the proposed method presents 84.01% of sensitivity, 94.17% of specificity, 86.27% of overall accuracy, and 0.70 of Cohen’s kappa. This result indicates that the proposed method able to reliably classify the sleep disorders merely using the 30-seconds epoch ECG in order to address the issue of a multichannel signal such as the PSG.

show abstract

Section: Related Workmentioning

confidence: 99%

Automatic Sleep Disorders Classification Using Ensemble of Bagged Tree Based on Sleep Quality Features

2020

View full text Add to dashboard Cite

show abstract

“…Como foi mencionado na seção 6.2.2.2, este sistema foi criado a fim de explorar a classificação dos eventos RERA, devido à complexidade que requer sua detecção, aplicando uma metodologia convencionalmente empregada para extração de características e análise de EEG, descrita em trabalhos como [23,78,79]. Destaca-se que para este sistema foi calculada AUROC e AUPRC, objetivando a comparação com os resultados relatados na literatura.…”

Section: Resultados Sistemaunclassified

“…Na Tabela 7.14 verifica-se que todos os estudos descritos na literatura incorporaram, além dos sinais de EEG, vários outros parâmetros do PSG, e em todos utilizaram-se sinais fisiológicos diretamente associados a fenômenos respiratórios, como SaO2 e fluxo de ar. A maioria dos trabalhos empregaram a mesma base de dados do presente trabalho [25], à exceção de [23] e [30] Na Figura 7.13 é apresentada uma comparação dos resultados de Accuracy do sistema 2, selecionado por ter apresentado o melhor resultado na presente pesquisa, com os obtidos pelos únicos estudos que reportaram este parâmetro de desempenho [23], [30]. Estes trabalhos também foram os únicos que não empregaram a mesma base de dados utilizada na dissertação e, assim como todos os outros na literatura, fez uso de parâmetros respiratórios do PSG para realização da classificação.…”

Section: Discussão Dos Resultadosunclassified

“…Em 2015 [23], foi desenvolvido um algoritmo para a detecção automática de diferentes despertares do sono, para isso foram usados os registros noturnos de PSG de 9 indivíduos (seis homens, três mulheres), com faixa etária de 34 a 69 anos e diferentes estados de saúde (4 pacientes com apneia obstrutiva do sono, 4 saudáveise 1 paciente com distúrbio periódico do movimento dos membros), desses registros foram extraídos os sinais EEG, EMG e eletrocardiográfica (ECG). Seguidamente, cada um dos sinais foi segmentado em épocas de 30 segundos, foi calculada a porcentagem de banda usando a densidade de potencia espectral (PSD), obtida pelo algoritmo de Welch do sinal EEG.…”

Section: Estado Da Arteunclassified

“…Neste sistema aplica-se uma metodologia convencionalmente empregada para extração de características e análise de EEG descrita em trabalhos como [23,78,79]. Também de acordo com outros trabalhos da literatura [80][81][82][83][84][85], foram elegidos como métodos classificadores três técnicas amplamente usadas para tarefas de classificação em sinais EEG:…”

Section: Sistemaunclassified

See 2 more Smart Citations

Redes Neurais De Aprendizado Profundo Para a Identificação De Despertares Relacionados a Eventos Respiratórios Usando Sinais Eeg Polissonográficos

JARAMILLO¹

View full text Add to dashboard Cite

Graças a Deus pela vida, fortaleza, experiencias e a sabedoria .Ao meu orientador o Dr. Marco Aurélio Pacheco pela oportunidade, confiança e apoio durante o desenvolvimento dessa pesquisa e ao Dr. Smith Arauco, por compartilhar seu conhecimento, tempo e pela ajuda oferecida.Aos meus Co-orientadores, a Dra. Elisabeth Costa Monteiro por sua ajuda, confiança e apoio incondicional, gratidão infinita pela dedicação e ajuda brindada, e ao Dr. Alvaro David Orjuela Cañón por ser meu amigo, tutor de graduação, um excelente professor e se tornar meu apoio. Ao Dr. Paulo Ivson pela ajuda, tempo, compreensão e apoio brindado.O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior -Brasil (CAPES) -Código de Financiamento 001. À PUC-Rio, pela bolsa de isenção das anuidades e pelo acesso à uma infraestrutura de pesquisa e a um enriquecedor ambiente acadêmico.Ao meus pais pelo apoio, amor e paciência, gratidão por me ensinar que os obstáculos da vida podem ser a melhor escola e por me educar com muito amor e carinho. Ao meu irmão por ser meu amigo e minha motivação pra ser a melhor versão de mim cada dia. Ao meu namorado Juan David Caicedo Vásquez pelo amor, apoio, paciência, compreensão e por tornar minha vida simplesmente maravilhosa com seu sorriso e enorme coração, e a nossa gatinha Sombra, por nos dar luz e amor nos dias escuros.Às minhas amigas, Olga, Vicky e Leidy pelo apoio emocional e sua amizade ao longo destes anos. Também a meus amigos de mestrado Yessica, Esteban, Allan, Andrés e Priscila pelas lembranças, risadas e as brincadeiras compartilhadas, em especial a meu amigo Salvador Pacheco pelos ensinamentos, companhia e ajuda nos momentos mais difíceis, gratidão amigão!!.

show abstract

Deep convolutional architecture‐based hybrid learning for sleep arousal events detection through single‐lead EEG signals

et al. 2023

View full text Add to dashboard Cite

Introduction: Detecting arousal events during sleep is a challenging, time-consuming, and costly process that requires neurology knowledge. Even though similar automated systems detect sleep stages exclusively, early detection of sleep events can assist in identifying neuropathology progression.Methods: An efficient hybrid deep learning method to identify and evaluate arousal events is presented in this paper using only single-lead electroencephalography (EEG) signals for the first time. Using the proposed architecture, which incorporates Inception-ResNet-v2 learning transfer models and optimized support vector machine (SVM) with the radial basis function (RBF) kernel, it is possible to classify with a minimum error level of less than 8%. In addition to maintaining accuracy, the Inception module and ResNet have led to significant reductions in computational complexity for the detection of arousal events in EEG signals. Moreover, in order to improve the classification performance of the SVM, the grey wolf algorithm (GWO) has optimized its kernel parameters.Results: This method has been validated using pre-processed samples from the 2018 Challenge Physiobank sleep dataset. In addition to reducing computational complexity, the results of this method show that different parts of feature extraction and classification are effective at identifying sleep disorders. The proposed model detects sleep arousal events with an average accuracy of 93.82%. With the lead present in the identification, the method becomes less aggressive in recording people's EEG signals. Conclusion:According to this study, the suggested strategy is effective in detecting arousals in sleep disorder clinical trials and may be used in sleep disorder detection clinics.

show abstract

Automatic detection of sleep arousal events from polysomnographic biosignals

Cited by 8 publications

References 11 publications

Automatic Sleep Disorders Classification Using Ensemble of Bagged Tree Based on Sleep Quality Features

Automatic Sleep Disorders Classification Using Ensemble of Bagged Tree Based on Sleep Quality Features

Redes Neurais De Aprendizado Profundo Para a Identificação De Despertares Relacionados a Eventos Respiratórios Usando Sinais Eeg Polissonográficos

Deep convolutional architecture‐based hybrid learning for sleep arousal events detection through single‐lead EEG signals

Contact Info

Product

Resources

About