Using deep learning for unobtrusive sleep stage classification

Abstract

Sleep represents a fundamental role to our well-being and today, as sleep disorders become more and more common, there is a growing necessity to monitor our sleep quality daily. Unobtrusive automatic sleep stage classification has made a tremendous breakthrough in this subject allowing regular users to monitor their sleep with day-to-day wearables, such as Fitbit Charge 2 tracker, contrary to the traditional manual sleep scoring based on polysomnography (PSG). Using cardiorespiratory signals to sleep stage has attracted increased attention as these signals can be obtained through unobtrusive techniques and have potential for continuous daily application. Therefore, in this thesis, deep learning frameworks based on Long-short-memory networks (LSTMs) and Convolutional Neural Networks (CNNs) are used to sleep stage classify, either just using respiratory effort signals, for example obtained from respiratory inductance plethysmography (RIP), or using the combination of respiratory and cardiac features, often based on heart rate variability (HRV) calculated from electrocardiogram (ECG). The dataset used was the SIESTA dataset that contains a total of 294 subjects (588 PSG recordings) of which 197 are healthy subjects, 51 suffer from obstructive sleep apnea syndrome (OSA), and the remaining from a variety of sleep or sleep related disorders. The classification problem was divided in a three-class and four-class sleep stage classification problem. As for the results, it was obtained with respiratory data for three stages classification (Wake, rapid eye-movement (REM) and non-REM stages) a Cohen’s kappa (𝜅) of 0.46 for the overall pool of subjects (All), 0.50 for healthy subjects and 0.34 for OSA subjects. For four stages classification (Wake, REM, light sleep (N1/N2) and deep sleep (N3/N4) stages) it was obtained a Cohen’s Kappa (𝜅) of 0.40 for the subject pool containing all subjects (All), 0.44 for healthy subjects and 0.31 for OSA. With cardiorespiratory data, for four stages classification, it was obtained a 𝜅 of 0.40 for the overall subject pool (All), 0.44 for healthy subjects and 0.30 for OSA subjects. With three stages, a 𝜅 of 0.46 for All subjects, 0.51 for healthy and 0.32 for OSA subjects. These results demonstrate that, with the developed frameworks, it is possible to achieve fairly good results as they are similar, in some cases moderately higher, to the current state-of-the-art but fail to generalize well, as significant differences can be found between subject types (All, Healthy and OSA).

O sono representa um papel fundamental no nosso bem-estar. Com o aumento de disturbios relacionados com o sono, mutio devido ao progresso técnlogico e à constante utilização de aparelhos eletronicos, existe a necessidade constante de monitorização da qualidade do mesmo. A classificação automática de estágios de sono de forma não intrusiva tem tido bastante impacto nesta matéria por permitir que utilizadores monitorizem de forma regular o seu sono através da utilização diária de “wearables”, como a pulseira FitBit Charge 2, contrariamente ao método standard de classificação de estágios de sono baseado em polissomnografia (PSG). A utilização de sinais cardiorrespiratórios para classificação de estágios de sono tem ganho muito relevo devido à fácil obtenção dos mesmos através de técnicas não-invasivas e com extenso potencial para utilização continua diária. Portanto, nesta tese, modelos deep learning baseados em Long-short-term-memory (LSTMs) e redes neuronais convolucionárias (CNNs) serão utilizados para classificação de estágios de sono, com sinais respiratórios, obtidos, por exemplo, com pletismografia respiratória por indutância (RIP) ou através da combinação de sinais respiratórios com sinais cardíacos baseados em variabilidade da frequência cardíaca (HRV) calculados através do eletrocardiograma (ECG). O dataset utilizado foi o SIESTA que contém 294 sujeitos (588 gravações PSG), dos quais 51 sofrem de sindrome de apneia obstrutiva do sono (OSA) e 94 são sujeitos saudáveis. O problema de classificação foi dividido em três classes e quatro classes de estágios de sono. Foram obtidos, para o problema de classificação com três classes um Kappa de Cohen (𝜅) de 0.46 para o dataset All que contém todos os sujeitos, 0.50 para o dataset que contém apenas sujeitos saudáveis (Healthy) e 0.34 para o dataset que contém sujeitos com OSA. Para o problema de classificação de quatro classes, foi obtido um 𝜅 de 0.40 com o dataset que contém todos os sujeitos (All), 0.44 com o dataset que contém apenas sujeitos saudáveis e 0.31 com o dataset que contém sujeitos com OSA. Quanto à classificação de estágios de sono com sinais cardiorrespiratórios, com quatro classes foi obtido um 𝜅 de 0.40 com o dataset que continha todos os sujeitos (All), 0.44 com o dataset que apenas continha sujeitos saudáveis e 0.30 com o dataset que apenas continha sujeitos com OSA. Para três classes, a classificação obtida com sinais cardiorrespiratórios foi um 𝜅 igual a 0.46 com o dataset que continha todos os sujeitos (All), 0.51 com o dataset que continha apenas sujeitos saudáveis (Healthy) e 0.32 com o dataset que apenas continha pacientes com OSA. Estes resultados demonstram que, com os modelos desenvolvidos, é possível atingir resultados moderademente satisfatórios, e, em alguns casos, ligeiramente superiores aos apresentados no estado-da-arte. No entanto, este modelos não generalizam muito bem sendo possível observar diferenças significativas entre os tipos de sujeito (All, Healthy, OSA)