Когда вы спите, вы проходите разные фазы, каждая из которых имеет свои физиологические особенности. они могут варьироваться от того, как ведут себя ваши глаза, до того, двигаетесь вы или нет! В этой короткой статье основное внимание уделяется обнаружению каждой из этих фаз с помощью активности вашего мозга, измеряемой с помощью электродов, которые помещаются на кожу головы. Этот метод называется электроэнцефалографией (ЭЭГ).
Различные фазы сна имеют разные характеристики ЭЭГ, и вы можете «в целом» разделить сон на 4 разные фазы, быстрое движение глаз (REM) и 3 стадии медленного движения глаз, и, конечно же, вы испытываете микровозбуждения или короткие периоды пробуждения во время сна. этапы. Возможно, вы уже видели гипнограммы раньше, это просто визуализация того, как эти стадии сна проходят в течение ночи. Стоит упомянуть одну вещь: при использовании экстрактора признаков, такого как сверточная нейронная сеть (CNN), вам не нужно беспокоиться о специфике различных микропризнаков в каждом входном векторе, однако необходимо убедиться, что ввод был « «очищено» до такой степени, что эти микрофункции будут присутствовать, сильно зашумленные входные данные не будут учитываться, например, как хорошие входные данные, а в случае данных временных рядов существует множество различных алгоритмов фильтрации, чтобы гарантировать, что входные данные достаточно чистые. при условии, что он не загрязнен высокоамплитудным шумом, таким как артефакты движения в сигналах ЭЭГ. Необходимо также понимать, почему отношение сигнал-шум (SNR) ЭЭГ действительно низкое, поскольку цель состоит в измерении сигналов с амплитудой в десятки микровольт, где очень простые артефакты, такие как артефакты движения, могут индуцировать значения, большие на порядок. , полностью утопив в нем ЭЭГ!
Прежде чем мы углубимся в техническую сторону дела, позвольте мне кратко рассказать об особенностях ЭЭГ для разных фаз сна. БДГ обычно демонстрирует десинхронизированную низкочастотную (0–10 Гц) активность и более высокую по сравнению с другими фазами и немного более высокую активность в бета-фазе (обычно около 15–20 Гц). Стадии бодрствования, близкие ко сну, демонстрируют высокую альфа-активность, которая связана с состояние релаксации, N3 — это место, где начинается медленноволновая активность (1–5 Гц), N2 — это место, где присутствуют сонные веретена, а N1 снова связан с повышенной низкочастотной активностью. Обратите внимание, что в контексте ЭЭГ под низкой частотой обычно понимаются частоты ниже 10–15 Гц и выше, которые обычно считаются высокими.
Огибающая амплитуды — это один из способов получения жизненно важной временной информации в векторах признаков, который используется в различных задачах классификации и машинного обучения с физиологическими сигналами временных рядов, таких как эта статья. Для этого выполняется довольно простое преобразование, называемое преобразованием Гильберта, где вы можете извлечь огибающую амплитуды вашего сигнала, огибающая амплитуды показана на рисунке ниже для интуитивного понимания.
Важно удостовериться, что огибающая извлекается после очистки сигнала, так как очистка представляет собой процесс избавления от различных артефактов и шумов, возникающих в сигнале. Они могут включать артефакты от вашего сердцебиения, называемые артефактами электрокардиограммы (ЭКГ), артефакты моргания, артефакты движения и так называемый сетевой гул, который представляет собой шум, создаваемый прибором, работающим от сетевого напряжения (различный в каждой стране, 50 Гц в Великобритании и 60 Гц в США). Существует множество различных статей о методах, позволяющих это сделать, но в качестве краткого обзора артефакты ЭКГ/моргания обычно обнаруживаются и отбрасываются с помощью таких алгоритмов, как анализ независимых компонентов (ICA), а также с использованием среднего значения и стандартного отклонения сигнала для подавления высокоамплитудных артефактов движения. . Как уже упоминалось, уже существует множество различных наборов инструментов, библиотек и методов для их выполнения.
Как уже упоминалось, я собираюсь сосредоточиться на обнаружении различных стадий в режиме «один против всех». Во-первых, давайте посмотрим на классификацию REM, используя огибающие амплитуды в качестве векторов входных признаков. Конвейер предварительной обработки показан на рисунке 3. Одним из дополнений к обсуждаемым концепциям является простой метод отклонения высокоамплитудных артефактов. Для этого можно просто измерить среднее значение сигнала и стандартное отклонение и отбросить эпохи, где, скажем, 30% точек данных лежат за пределами диапазона среднего значения ± стандартного отклонения.
После этого у вас есть функции, готовые для ввода в вашу сеть, однако один параметр, о котором следует подумать, — это длина этих входных данных. Поскольку Американская академия медицины сна (AASM) обычно определяет длину окна для маркировки эпохи сна как 30 секунд, я буду использовать ту же длину, но вы также можете разбить это большее окно на более мелкие окна и иметь больше входных наборов. После предварительной обработки и подготовки признаков векторы признаков (огибающие амплитуды для разных эпох) передаются в нейронную сеть, архитектура которой показана на рисунке 4.
Наконец, давайте посмотрим, как выглядят результаты! прежде чем мы углубимся в это, я хочу повторить, что я использовал только каналы ЭЭГ и никаких других физиологических сигналов. Каналы ЭЭГ записываются из 6 различных каналов: затылочного (O), лобного (F) и центрального (C).
Таким образом, первое, к чему приводит простой визуальный осмотр, это то, что О1 и О2 являются хорошими каналами для классификации БДГ, а с другой стороны, как видно из N3, О2, вероятно, является худшим каналом. И O1, и O2 являются хорошими векторами признаков для классификации БДГ, и одна вещь, которую мы постулируем о затылочной доле мозга, заключается в том, что она стимулируется нашим зрительным восприятием, а мы получаем визуальную стимуляцию, когда видим сны…! Кроме того, результаты показывают, как простое преобразование из правильного канала может улучшить классификацию. Стоит также упомянуть, что сетевая динамика мозга немного сложнее, чем просто активация в одной доле, но об этом в другой раз.
В заключение, эта статья призвана продемонстрировать с помощью глубокого обучения и определения того, какие признаки имеют наилучшие атрибуты для задачи классификации, о чем мы мечтаем в БДГ, поскольку затылочная доля является хорошим местом для извлечения признаков. Я сделал простой скрипт на питоне, чтобы вы тоже могли поиграть сами с собой! Я планирую написать еще одну короткую статью об оптимизированных способах разработки классификаторов нескольких классов и связанных с ними проблемах, таких как вариабельность между пациентами или очень похожая функция, в данном случае между N2 и N3.
