Automatic sleep scoring based on multi-modality polysomnography data

Abstract

Over the past decades, probably due to our hectic lifestyle in modern society, complaints about sleep problems have increased dramatically, affecting a large part of the world’s population. The polysomnography (PSG) test is a common tool for diagnosing sleep problems, but the scoring of PSG recordings is an essential but time-consuming process. Therefore, automatic sleep scoring becomes crucial and urgent to settle the growing unmet needs in sleep research. This thesis extends the previous research on automatic sleep scoring from two aspects. One is to extensively explore signal modalities and feature types related to automatic sleep scoring. This exploratory work obtains the optimal signal fusion and feature set for automatic sleep scoring, and further clarifies the contribution of signals and features to the discrimination of sleep stages. Our results demonstrate that diverse features and signal modalities are coordinative and complementary, which benefits the improvement of classification accuracy. The other one is to develop automatic sleep scoring tools that can accommodate different datasets and sample populations without adjusting model structure and parameters across tasks. Experimental results show that the joint analysis of multiple signals can improve the stability, robustness and generalizability of the proposed models. Model performance has been verified on multiple public datasets, demonstrating good model transferability between different datasets and diverse disease populations. In summary, this research finding will advance the understanding of underlying mechanism during automatic sleep scoring and clarify the association between manual scoring criteria and automatic scoring methods. The joint analysis of multiple signals enhances model versatility, which inspires the construction of cross-model in the field of automatic sleep scoring. Moreover, the proposed automatic sleep scoring methods can be integrated with diverse PSG systems, thereby facilitating sleep monitoring in clinical or routine care. Keywords: automatic sleep scoring, polysomnography, multi-modality analysis, deep learning, machine learning

Viime vuosikymmenien aikana kiireisen elämäntavan takia modernissa yhteiskunnassa unihäiriöistä tehdyt ongelmat ovat lisääntyneet dramaattisesti ja vaikuttaneet suureen osaan maailman väestöstä. Polysomnografia (PSG) -testi on yleinen työkalu unihäiriöiden diagnosointiin ja PSG-tallenteiden pisteytys on välttämätöntä, mutta aikaa vievä prosessi. Siksi automaattisen unen pisteytyksen merkitys kasvaa ja siitä tulee tärkeä ja välttämätön menetelmä, jotta voidaan vastata kasvaviin tarpeisiin unentutkimuksessa. Tämä väitöskirja laajentaa aiempaa automaattisen unen pisteytyksen tutkimusta kahdesta näkökulmasta. Yksi on tutkia laajasti automaattiseen unen pisteytykseen liittyviä signaalimuotoja ja toimintotyyppejä. Tämän tutkimustyön tuloksena saadaan aikaan optimaalisen signaalin fuusion ja ominaisuusjoukot automaattiselle unipisteytykselle ja lisäksi se selventää edelleen signaalien ja ominaisuuksien vaikutusta univaiheiden erottamiseen. Tulokset osoittavat, että erilaiset ominaisuudet ja signaalitavat ovat koordinoivia ja täydentäviä, mikä hyödyttää luokituksen tarkkuuden parantamista. Toinen tapa on kehittää automaattisia unen pisteytystyökaluja, joihin mahtuu erilaisia aineistoja ja otospopulaatioita säätämättä mallin rakennetta ja parametreja tehtävien välillä. Kokeelliset tulokset osoittavat, että useiden signaalien yhteinen analyysi parantaa ehdotettujen mallien vakautta, kestävyyttä ja yleistettävyyttä. Mallin suorituskyky on varmistettu useilla julkisilla aineistoilla, mikä osoittaa mallin hyvän siirrettävyyden eri aineistojen ja erilaisten tautipopulaatioiden välillä. Yhteenvetona voidaan todeta, että tämä tutkimustulos edistää ymmärrystä taustamekanismista automaattisen unen pisteytyksen aikana ja selkeyttää manuaalisten pisteytyskriteerien ja automaattisten pisteytysmenetelmien välistä yhteyttä. Useiden signaalien yhteinen analyysi parantaa mallin monipuolisuutta, mikä inspiroi ristimallin rakentamista automaattisen unen pisteytyksen alalla. Lisäksi ehdotetut automaattiset unen pisteytysmenetelmät voidaan integroida erilaisiin PSG-järjestelmiin, mikä helpottaa unen seurantaa kliinisessä tai rutiinihoidossa. Asiasanat: automaattinen unen pisteytys, polysomnografia, multimodaalisuus analyysi, syvä oppiminen, koneoppiminen