Classification Automatique des Stades du Sommeil par Rseaux de Neurones Artificiels

Classification Automatique des Stades du Sommeil par Rseaux de Neurones Artificiels

Nizar Kerkeni(1,2,*), Frdric Alexandre(2), Mohamed Hdi Bedoui(1), Mohamed Dogui(3)(1) quipe TIM, Laboratoire de Biophysique, Facult de Mdecine de Monastir, 5019 Monastir, Tunisie. (2) quipe Cortex, LORIA-INRIA, BP 239, 54506 Vandoeuvre Ls Nancy cedex, France. (3) Service d'Explorations Fonctionnelles du Systme Nerveux, CHU Sahloul, 4054 Sousse, Tunisie. (*) Email : Nizar.Kerkeni@fst.rnu.tn

Rsum

L'objectif de notre travail et de proposer un outil d'analyse automatique et d'aide la dcision bas sur les rseaux de neurones artificiels. La premire difficult consiste dans le choix de la modlisation des signaux physiologiques et en particulier de l'lectroencphalogramme (EEG). Ce dernier est considr comme le principal indicateur des stades de sommeil. Une fois la modlisation adopte, l'tape suivante est la conception du rseau de neurones optimal dtermin par un processus d'apprentissage et de validation sur des donnes d'un adulte sain.

Les rsultats obtenus, en moyenne 76% de bonne classification pour six stades, nous incitent approfondir l'tude de cette problmatique aux niveaux modlisation et conception pour amliorer les performances de notre outil.

Mots Cls : Rseaux de Neurones Artificiels, Modlisation du signal EEG, Aide la dcision, Analyse du Sommeil.

1 tude du sommeil

Dans la routine clinique, l'tude du sommeil consiste en l'acquisition et l'enregistrement d'un ensemble de signaux physiologiques au cours d'une nuit de sommeil, suivis par une analyse visuelle pour tablir le diagnostic. Cette tude se base principalement sur trois signaux : l'lectroencphalogramme (EEG), l'lectro-oculogramme (EOG) et l'lectromyogramme (EMG) [3]. L'analyse visuelle consiste dtecter les variations de ces signaux au cours de la nuit. Ces changements dfinissent les tats de vigilance qui sont l'veil et les cinq stades du sommeil : stade 1, 2, 3, 4 et le sommeil paradoxal (SP) [2]. Chaque tat est caractris par la prsence d'un ou plusieurs indicateurs correspondants des activits lmentaires et certains grapho-lments. Selon ces indicateurs et en appliquant les rgles standard de Rechtschaffen et Kales [7] le clinicien associe une poque de 30s une tiquette correspondant l'tat physiologique.

La difficult de l'analyse visuelle se situe dans plusieurs niveaux. Nous pouvons cit par exemple les rgles d'interprtation qui comportent une part de subjectivit. De plus la dtection visuelle peut savrer difficile cause des bruits et des artefacts dus au mauvais contact des lectrodes ou aux mouvements du patient. En fin, il ne faut pas oublier le temps consomm par cette analyse qui peut durer quelques heures.

2 Analyse automatique du sommeil

Actuellement, pratiquement tous les nouveaux polygraphes numriques sont quips d'un analyseur automatique de sommeil plus ou moins performant. L'intrt pour ces systmes est en train de se dvelopper dans les services d'tude du sommeil pour des raisons multiples parmi les quelles nous pouvons citer :

L'augmentation considrable de la demande d'enregistrements et le besoin d'un systme d'analyse automatique librant le clinicien de certaines tches de dpouillement;

Le nombre croissant des paramtres intervenant dans un enregistrement polygraphique et surtout la ncessit de quantifier et de classer tous ces paramtres.

La difficult majeure pour ces systmes consiste au choix de la modlisation pour les signaux physiologiques. Diffrentes techniques d'analyse sont utilises : analyse d'amplitude, analyse de priode, analyse spectrale [12], etc.

Parmi ces techniques l'analyse spectrale par transforme de Fourrier rapide (Fast Fourrier Transform FFT) est la plus utilise. Ce choix peut s'expliquer par le fait que l'analyse visuelle se base essentiellement sur la dtection de quelques ondes de frquences particulires. Parmi les techniques de traitement de ces donnes nous nous intresserons aux rseaux de neurones artificiels (RNA). Les RNA sont largement appliqus dans les domaines en relation avec la neurophysiologie : l'analyse de l'EEG [8], l'analyse de la vigilance [5], l'analyse du sommeil [9,11], etc.

3 Rseaux de Neurones Artificiels

Parmi les diffrentes architectures des rseaux de neurones artificiels nous avons adopte pour cette tude les Perceptrons Multi-couches (MLP, Multi Layer Perceptron) [4]. Les MLP sont les plus utiliss dans les approches apprentissage supervis, c'est--dire quand une association entre deux types de donnes, reprsentant respectivement l'entre et la sortie du rseau, doit tre apprise. Dans un MLP les neurones artificiels sont organiss en couches. Les neurones appartenant une mme couche ne sont pas connects entre eux. Chaque neurone reoit ses entres de la couche prcdente et transmet le rsultat de son traitement la couche suivante. Les deux couches extrmes correspondent la couche qui reoit les donnes (couche d'entre), et la couche qui fournit le rsultat des traitements effectus (couche de sortie). Les couches intermdiaires sont appeles couches caches, leur nombre est variable. La connectivit entre les couches successives est totale et chaque connexion est pondre par un poids.

4 Matriels

Nous disposons de l'enregistrement d'une nuit de sommeil d'un adulte de sexe masculin. L'analyse visuelle ainsi que le rapport tablis montrent qu'il s'agit d'un patient sain. Lors de l'analyse visuelle l'expert se base essentiellement sur une seule drivation d'EEG. Nous adopterons cette drivation comme unique indicateur pour la classification automatique.

Le tableau (Tab. 1) reprsente les dtails de l'enregistrement effectu ainsi que la composition en stades de sommeil avec le nombre d'poques, le pourcentage par rapport au Temps Total du Sommeil (%TTS) et le pourcentage par rapport au Temps Total d'Enregistrement (%TTE). Le TTS reprsente la dure cumule des stades 1, 2, 3, 4 et du sommeil paradoxal. Ces valeurs sont obtenues suite l'analyse visuelle par poque de 30s effectue par un seul expert. Nous donnons titre indicatif les valeurs thoriques des pourcentages des stades par rapport au TTS (%VT-TTS) [2].

Pour modliser le signal EEG choisi et construire notre base de donnes nous avons procd de la manire suivante (Fig. 1) :

Le signal est dcoup par priodes de 30s correspondants aux poques de l'analyse visuelle;

Pour chaque portion du signal nous calculons la puissance spectrale par la transforme de Fourrier rapide. De ce spectre nous gardons uniquement les frquences du domaine spectrale des ondes physiologiques (infrieure 32Hz) tout en liminant la composante continue;

Le spectre de puissance est subdivis en cinq parties correspondantes aux bandes de sommeil ( Delta = [0.5,4Hz]; Thta = ]4,8Hz]; Alpha = ]8,12Hz]; Sigma = ]12,16Hz]; Bta = ]16,32Hz]). Pour chaque bande nous calculons sa puissance spectrale relative (PSR) qui est gal au rapport de la puissance spectrale de la bande (PSB) sur la puissance spectrale totale (PST).

PSRi=PSBi/PST avec i ( (Delta, Thta, Alpha, Sigma, Bta)

(1)

Figure 1: Modlisation spectrale du signal EEG.

Ainsi chaque poque de 30s sera reprsente dans notre base de donnes par les cinq valeurs de la PSR aux quelles nous associons une tiquette reprsentant le stade du sommeil.

poques%TTS%VT-TTS%TTE

Veille67--6

Stade 1545< 105

Stade 234734( 5031

Stade 310710( 1010

Stade 429226( 1026

S. Paradoxal23321de 20 2521

Table 1 : Composition en stades de l'enregistrement.

5 Rsultats

Le nombre de neurones d'entre du rseau utilis est fix 5 correspondant aux 5 valeurs de la PSR calcules sur la drivation de l'EEG (quation 1). Celui de sortie est fix 6, un neurone pour chaque stade de sommeil en plus de l'veil. Le nombre des neurones cachs est dtermin aprs une tude de plusieurs configurations, c'est le processus d'apprentissage.

class en (VeilleStade 1Stade 2Stade 3Stade 4S.P.%BC

Veille590005388%

Stade 11101702240%

Stade 2312910213184%

Stade 30039352133%

Stade 41092278295%

S.P.70160620488%

Table 2 : Matrice de confusion.

Le meilleur taux de russite obtenu parmi les diffrentes configurations testes est de 76%. Ce taux est obtenu avec un rseau de neurones dont l'architecture est constitue par 5 neurones d'entres, 6 neurones dans la couche cache et 6 neurones de sorties. Les simulations sont effectues par validation croise sur dix ensembles tirs alatoirement de la base de donnes. La matrice de confusion (Tab. 2), rsultat de la classification du rseau optimal, montre que :

La veille, le stade 2, le stade 4 et le sommeil paradoxal sont bien classs;

Le stade 1 n'est pas reconnu et il est majoritairement confondu avec le sommeil paradoxal puis avec le stade 2;

Le stade 3 est faiblement reconnu et il est confondu avec le stade 4.

Les deux derniers points peuvent s'expliquer par le fait que les stades confondus sont presque identiques au niveau de la composition spectrale.

6 Conclusion

L'objectif de ce travail est de raliser un outil d'aide la dcision dans l'analyse du sommeil bas sur une technique issue de l'intelligence artificielle, les rseaux de neurones artificiels. Dans cet article nous avons prsent une de nos dmarches dans la recherche de la configuration la plus performante. La configuration prsente donne un taux de bonne classification de 76% pour les 6 stades. Les travaux quivalents, au niveaux de l'utilisation des rseaux de neurones artificiels et de la classification en 6 classes, donnent des rsultats qui varient entre 61 et 80% [9]. Cette dmarche montre la limite de la modlisation par FFT adopte dans notre tude et qui se manifeste par la confusion entre les stades quivalents au niveau spectral. Un autre choix de paramtres et/ou l'ajout d'autres paramtres issus d'autres techniques de modlisation pourront, peut tre, amliorer les rsultats obtenus.

Bibliographie

[1] Alain Besset. L'analyse automatique du sommeil. In Michel Billard, editor, Le sommeil normal et pathologique : troubles du sommeil et de l'veil, chapter8, pages 126-133. Masson, 1998.

[2] Alain Besset. Les rgles de l'analyse visuelle. In Michel Billard, editor, Le sommeil normal et pathologique : troubles du sommeil et de l'veil, chapter8, pages 118-126. Masson, 1998.

[3] Alain Besset. L'examen polygraphique du sommeil. In Michel Billard, editor, Le sommeil normal et pathologique : troubles du sommeil et de l'veil, chapter8, pages 99-108. Masson, 1998.

[4] ChristopherM. Bishop. Neural Networks for pattern recognition. Oxford University press, 1995.

[5] KhaledBen Khalifa, MohamedHdi Bedoui, Laurent Bougrain, Radoslav Raychev, Mohamed Dogui, and Frdric Alexandre. Analyse et classification des tats de vigilance par rseaux de neurones. Technical report, l'INRIA - Lorraine, 2003.

[6] RhainP. Louis, James Lee, and Richard Stephenson. Design and validation of a computer-based sleep-scoring algorithm. Journal of Neuroscience Methods, 133:71-80, 2004.

[7] Allen Rechtschaffen and Antony Kales, editors. A manual of standardized terminology, techniques and scoring system for skip stages of human subjects. Brain Information Service/Brain Research Institute, 1968.

[8] Claude Robert, Jean-Franois Gaudy, and Aim Limoge. Electroencephalogram processing using neural networks. Clinical Neurophysiology, 113(5):694-701, 2002.

[9] Claude Robert, Christian Guilpin, and Aym Limoge. Review of neural network applications in sleep research. Journal of Neuroscience Methods, 79:187-193, 1998.

[10] DavidE. Rumelhart, GeoffreyE. Hinton, and RonaldJ. Williams. Learning internal representations by error propagation. In DavidE. Rumelhart, JamesL. McClelland, etal., editors, Parallel Distributed Processing: Volume 1: Foundations, pages 318-362. MIT Press, Cambridge, 1987.

[11] Nicolas Schaltenbrand, Rgis Lengelle, and Jean-Paul Macher. Neural network model : application to automatic ananlysis of human sleep. Computers and Biomedical Research, 26:157-171, 1993.

[12] Mehdi Tafti. Analyse numrique du sommeil. In Michel Billard, editor, Le sommeil normal et pathologique : troubles du sommeil et de l'veil, chapter8, pages 133-141. Masson, 1998.