VALUTAZIONE COMPARATIVA TRA METODI DI ......Valutazione comparativa tra metodi di segmentazione...

Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa

di un segnale ECG per migliorare la detezione delle fasi del sonno

Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 1

POLITECNICO DI MILANO

Scuola di Ingegneria Industriale e dell’Informazione

Corso di Laurea Magistrale in Ingegneria Biomedica

VALUTAZIONE COMPARATIVA TRA METODI DI

SEGMENTAZIONE ADATTATIVA E FINESTRATURA A

LARGHEZZA FISSA DI UN SEGNALE ECG PER

MIGLIORARE LA DETEZIONE DELLE FASI DEL SONNO

Relatore: Prof.ssa Anna Maria Bianchi

Correlatore: Ing. Matteo Migliorini

Tesi di laurea di:

Giovanni Battista Pirovano

787363

Anno Accademico 2012/2013




Indice

1. SOMMARIO................................................................................................................. 6

2. ABSTRACT ................................................................................................................ 12

3. INTRODUZIONE ...................................................................................................... 18

4. STATO DELL’ARTE ................................................................................................ 22

5. MATERIALI E METODI ......................................................................................... 34

5.1 PROTOCOLLO SPERIMENTALE .................................................................................. 35

5.2 PRE-PROCESSING DEI DATI ........................................................................................ 36

5.3 SEGMENTAZIONE ....................................................................................................... 43

5.3.1 Finestratura a lunghezza fissa ............................................................................ 44

5.3.2 Segmentazione a finestra adattativa ................................................................... 45

5.4 ESTRAZIONE DI FEATURES SPETTRALI ................................................................ 48

5.5 CLASSIFICAZIONE ................................................................................................ 51

6. RISULTATI ................................................................................................................ 54

7. CONCLUSIONI E SVILUPPI FUTURI.................................................................. 65

8. BIBLIOGRAFIA ........................................................................................................ 67




Indice delle figure

Figura 1: Esecuzione di un esame polisonnografico ........................................................... 20

Figura 2: Esempio di materasso sensorizzato ...................................................................... 21

Figura 3: Ipnogramma ......................................................................................................... 22

Figura 4: Variazione della PSD tra REM, NREM, AWAKE .............................................. 24

Figura 5: Esempio di PSD nelle diverse componenti spettrali ............................................ 25

Figura 6: Posizionamento dei poli sul CU a seconda dello stage ........................................ 29

Figura 7: Metodo SEM per segmentazione adattativa di tracciati EEG .............................. 32

Figura 8: Diagramma a blocchi sullo svolgimento del lavoro............................................. 34

Figura 9: Riconoscimento dei picchi R con algoritmo di Pan-Tompkins .......................... 37

Figura 10: Ipnogramma sincronizzato con RR .................................................................... 37

Figura 11: Metodo di correzione dei poli ............................................................................ 40

Figura 12: Conteggi del numero di correzioni sui poli ........................................................ 40

Figura 13: Effetti della correzione dei poli sulla varianza dell'errore di predizione ........... 41

Figura 14: Effetti della correzione dei poli su VLF e HFPoleMdule .................................. 42

Figura 15: Ipnogramma corretto secondo la convenzione utilizzata ................................... 43

Figura 16: Lunghezza media epoche simili su ogni soggetto .............................................. 47

Figura 17: Risultato della segmentazione su un soggetto.................................................... 48

Figura 18: Variazione di LF/HF in corrispondenza di diversi stage .................................. 49

Figura 19: Istogrammi ottenuti con finestratura fissa .......................................................... 50

Figura 20: Istogrammi ottenuti con segmentazione adattativa ............................................ 50

Figura 21: Cohen's K per ogni confronto tra stage e per ogni permutazione tra descrittori 52

Figura 22: Cohen's K tra accorpamenti di stage e per ogni permutazione tra descrittori .... 53

Figura 23: Schema di esecuzione della classificazione a stadi per le tre reti ...................... 63




Indice delle tabelle

Tabella 1: Risultati classificazione Stage 3 Vs [Stage 1; Stage 2; Stage5] ......................... 10

Tabella 2: Risultati classificazione a stadi ........................................................................... 10

Tabella 3: Results classification of Stage 3 Vs [Stage 1; Stage 2; Stage5] ......................... 15

Tabella 4: Results of level classification ............................................................................. 16

Tabella 5: Segnali utilizzati ................................................................................................. 35

Tabella 6: [Stage 1] Vs [Stage 2] Vs [Stage 3] Vs [Stage 4]. ............................................. 54

Tabella 7: [Stage 1; Stage 5] Vs [Stage 2; Stage 3]............................................................. 56

Tabella 8: [Stage 1] Vs [Stage 3] Vs [Stage 5].................................................................... 57

Tabella 9: [Stage 3] Vs [Stage 1; Stage 2; Stage 5]............................................................. 58

Tabella 10: [Stage 1] Vs [Stage 2; Stage 5] ........................................................................ 60

Tabella 11: [Stage 2] Vs [Stage 1; Stage 5] ........................................................................ 61

Tabella 12: Risultati classificazione a stadi ......................................................................... 63




1. Sommario

Obiettivi

Il sonno ricopre un ruolo fondamentale nella vita di ogni uomo ed è in grado di

influenzarne lo stato di salute: un buon riposo durante le ore notturne favoriscein fase di

veglia le performance di ogni individuo che si concretizzano in un buon livello di

attenzione, buona capacità di memorizzazione e apprendimento.[26] Al contrario un

cattivo riposo (che può essere causato da diversi fattori: apnee notturne, roncopatia,

sindrome delle gambe senza riposo, stress ) può provocare delle alterazioni a livello

psicofisico che si ripercuotono durante la giornata penalizzando la qualità della vita. [3]

È possibile monitorare il sonno e studiarnele alterazioni effettuando un esame di

Polisonnografia che prevede l’acquisizione simultanea di diversi segnali (ECG, EOG,

EEG)sul paziente presso una struttura specializzata. Al termine dell’acquisizione un

medico esegue il riconoscimento delle fasi del sonno: il periodo in cui il paziente ha

dormito viene suddiviso in epoche da 30 secondi e ad ogni epoca, sulla base dei segnali

acquisiti, il medico assegna uno stage. Gli stage che possono essere assegnati sono:

WAKE, REM e NON-REM che a sua volta può essere suddiviso in quattro sotto-fasi,

rispettivamente NREM 1, 2 ,3, 4 (recentemente il numero di stage del NRMEM è stato

ridotto a 3 [23]).[10]

L’esame polisonnografico richiede che il paziente trascorra la notte presso una struttura

attrezzata; questo potrebbe alterare le sue condizioni psichiche che potrebbero avere delle

implicazioni durante la notte stessa. Per questo motivo sarebbe preferibile acquisire i

segnali nel letto di casapropria in una notte regolare.

Sono allo studio delle tecnologie wearable o dei materassi sensorizzati per poter permettere

al paziente di indossare questi device direttamente dal letto di casa. Inoltre sono allo studio

diverse tecniche di detezione e classificazione automatica del sonno.




L’intento di questa branca è quello di introdurre degli algoritmi che riescano a stadiare il

sonno automaticamente eliminando la figura del tecnico specializzato così da ridurre i costi

di personale, di allestimento e di manutenzione delle strutture ospedaliere.

Nel caso di riconoscimento automatico delle fasi del sonno si generano delle caratteristiche

spettrali mediate su finestre di 30 secondi da passare al classificatore per poter predire gli

stati del sonno. [27]

La lunghezza dell’epoca su cui si calcolano i descrittori spettrali è mantenuta fissa per

uniformarsi allo standard di stadiazione finora utilizzato ma così facendo si trascurano le

dinamiche effettive del sonno che può mantenere uno stadio per una durata non

necessariamente multipla di 30 secondi.

Questo lavoro di tesi ha come obiettivo l’affinamento di alcune tecniche di stadiazione del

sonno sulla base di un tracciato ECG, in particolare sicercherà di migliorare la tecnica di

classificazione ottenuta su finestra a lunghezza fissa e di implementare una nuova tecnica

di segmentazione adattativa del tracciato RR.

Materiali e metodi

Per condurre questo lavoro sono stati utilizzati dati liberamente accessibili dalla

piattaforma Physionet. In particolare sono stati utilizzati tracciati riconducibili ai database:

CAP Sleep Database [23] [24],University College Dublin Sleep Apnea Database [25],

MIT-BIH Polysomnographic Database. [23]

Sono stati selezionati i tracciati ECG dei soli pazienti sani e convertiti in file .mat a

formare un dataset di partenza di 47 soggetti. Il lavoro è stato interamente svolto con

Matlab® 2014a.

La prima parte del progetto ha previsto la preparazione dei segnali che sono stati

inizialmente convertiti dai formati di provenienza in formato .mat e unificati in un solo

dataset. Gli unici tracciati estratti dai file sono stati l’ECG e l’ipnogramma.

Sono stati successivamente creati i tracciati RR mediante un algoritmo di Pan-Tompkins

[12] a soglia fissa. È stato necessario impostare manualmente la soglia per ogni paziente

visualizzando ogni tracciato per minimizzare il rischio di una cattiva detezione dei picchi.




Al termine dell’estrazione è stato sovrapposto in coincidenza l’ipnogramma e rimossi gli

outlier degli RR.

Da questo punto in poi il lavoro si è sviluppato parallelamente seguendo due approcci con

l’obiettivo univocodi ottenere 8 descrittori spettrali da passare al classificatore per

identificare le diverse fasi del sonno.

Il primo approccio, più classico, ha previsto l’utilizzo di un modello parametrico auto

regressivo tempo variante per il calcolo dei coefficienti calcolati su ogni singolo campione

del tracciato RR da utilizzare successivamente per il calcolo dello spettro. È stato

migliorato l’algoritmo già esistente TVAM di ordine 9 in modo tale da poter arrestare ad

ogni momento il processamento del segnale:è così possibile intervenire su qualsiasi

campione per effettuare delle correzioni sui parametri in uscita (che saranno parametri

d’ingresso per il campione successivo) . Questa variazione inoltre permette di simulare una

situazione di acquisizione in real-time sul paziente per cui non è necessario aver concluso

l’acquisizione prima di far partire l’elaborazione. La modifica apportata all’algoritmo

consente così di intervenire sulle instabilità dei poli generate dal modello AR. Il TVAM

fornisce infatti ad ogni iterata nove coefficienti che possono essere rappresentati in modulo

e fase sul piano Z e, a seconda di dove si posizionano rispetto al Cerchio Unitario, possono

generare instabilità del modello. Con la modifica di TVAM è possibile correggere le

instabilità riducendo la distanza rispetto all’origine del doppio della distanza del polo

rispetto al Cerchio Unitario. La correzione effettuata sul singolocampione influenzerà

anche il calcolo dei parametri sui campioni successivi essendo il modello autoregressivo.

Una volta ottenuti i coefficienti del modello su ogni campione, questi vengono mediati su

epoche di 30 secondi di durata e passati alla funzione di estrazione delle features spettrali.

Con il secondo approccio si ottengono delle features spettrali calcolate su un segmento di

tracciato di lunghezza variabile. I coefficienti del modello AR sul segmento sono ottenuti

utilizzando un algoritmo che trova il miglior ordine di rappresentazione del segnale.

Per generare gli spezzoni a lunghezza variabile del segnale è stato ripreso un lavoro sulla

segmentazione adattativa di un tracciato EEG elaborato da Bodenstein nel 1977. [21] Il

criterio si basa sul calcolo ricorsivo di un indice di misura dell’errore spettrale (SEM) da

rapportare ad una soglia adattativa (threshold 1): la lunghezza delle finestra è definita fino

al campione in cui il valore SEM oltrepassa la threshold 1. Impostando i parametri interni




dell’algoritmo secondo due criteri si sono creati due dataset, rispettivamente con lunghezza

di finestra minima pari a 90 campioni e 150.

A partire dagli stessi tracciati sono stati quindi generati 3 set di dati che contengono le

features spettrali e il rispettivo stage dell’ipnogramma che verranno utilizzati dal

classificatore per capire quale metodo tra la finestratura o la segmentazione consenta una

migliore discriminazione tra stadi. Le features spettrali estratte sono state: VLF%, LF%

HF%, HFn, LFn, LF/HF, HFPoleModule, Total Power.

Per la classificazione sono state utilizzate le tecniche di discriminante lineare e le reti

neurali. Si è primastudiato quale set di features avesse le migliori performance per poi

classificare gli stadi in 4 diverse configurazioni del training/test set.Prima di eseguire ogni

classificazione il dataset è stato bilanciato nel numero di stage e randomizzato. È stato poi

sviluppato un terzo algoritmo di classificazione a cascata che rimuovesse dal test set, per

ogni ciclo di classificazione, i riconoscimenti considerati positivi.

Per ogni algoritmo di classificazione sono stati ricavati i parametri di Precision, Recall,

Accuracy e Cohen’s kappa da cui è stato possibile calcolare media e deviazione standard di

ogni indicatore a seconda di diversi accoppiamenti tra stage.

Risultati

Dai risultati ottenuti si possono trarre delle conclusioni su quale sia il miglior set di

features da utilizzare, quale sia la configurazione che meglio permette di discriminare

alcuni stadi e se l’algoritmo di segmentazione può essere considerato una valida alternativa

alla finestratura.

Sono state verificate le perfomance utilizzando tutte le permutazioni possibili tra features

(ad eccezione della Total Power) e si è capito che la miglior scelta è quella di passare

l’intero set di features al classificatore.

Le configurazioni del training/test set sono basate sull’accorpamento in classi di tutti i

campioni di determinati stage. Utilizzando 4 classi separatamente i risultati sono stati

scarsi ad eccezione del riconoscimento dello stage 3: il più alto valore di Precision è

ottenuto con le reti neurali applicata al dataset ottenuto con finestratura (PPVNET30(3) =

0.7036 ± 0.0247).




Le migliori perfomance di classificazione sono quelle relative alla discriminazione dello

stage 3 rispetto a tutti gli altri (stage 3 Vs [1,2,5]) ottenuto con le reti neurali sulla

finestratura a 30 secondi (Tabella 1). In questo caso PPVNET30(3) = 0.7952 ± 0.0254,

NPVNET30(3) = 0.7401 ± 0.0142, KNET30(3) = 0.5158 ± 0.031. Anche per il dataset con la

segmentazione a 150 campioni i risultati sono molto buoni.

Tabella 1: Risultati classificazione Stage 3 Vs [Stage 1; Stage 2; Stage5]

feat30

LD

Class 3 [1,2,5]

Precision 0,7372 ± 0,0103 0,6646 ± 0,0063

Recall 0,6873 ± 0,0052 0,7167 ± 0,0084

Kappa 0,4018± 0,0125

Accuracy 0,7009 ± 0,0062

N NET

Class 3 [1,2,5]

Precision 0,7952 ± 0,0254 0,7206 ± 0,0187

Recall 0,7401± 0,0142 0,7791 ± 0,0219

Kappa 0,5158± 0,031

Accuracy 0,7579 ± 0,0155

È stato generato un terzo algoritmo di classificazione a stadi con il quale sfruttare le

performance delle precedenti classificazioni. In questo caso si ottiene una buona

classificazione su tutti gli stage ad accezione del quinto. (Tabella 2)

Tabella 2: Risultati classificazione a stadi

Classificatore a stadi n°1

Stage 1 Stage 2 Stage 3 Stage 5

Precision 0,6421 ± 0,0214 0,6512 ± 0,0481 0,6840 ± 0,0224 0,3119 ± 0,0051

Recall 0,2387 ± 0,0390 0,0552 ± 0,0160 0,4646 ± 0,0415 0,8943 ± 0,0189

Kappa 0,2166 ± 0,0126

Accuracy 0,4152 ± 0,0094


Precision 0,604 ± 0,0260 0,6448 ± 0,0497 0,6840 ± 0,0224 0,3135 ± 0,0057

Recall 0,2944 ± 0,0323 0,604 ± 0,0155 0,4646 ± 0,0415 0,889 ± 0,0164




Kappa 0,2213 ± 0,0159

Accuracy 0,4159 ± 0,0119


Precision 0,6374 ± 0,0319 0,2874 ± 0,0064 0,6840 ± 0,0224 0,5869 ± 0,0334

Recall 0,2505 ± 0,0250 0,7631 ± 0,0177 0,4646 ± 0,0415 0,1587 ± 0,0292

Kappa 0,2123 ± 0,0132

Accuracy 0,4092 ± 0,009

I valori del Cohen’s Kappa variano a seconda delle tecniche e dei database ma con

variazioni talmente ridotte da non poter considerare più vantaggioso un metodo rispetto ad

un altro basandosi su questo parametro.

I risultati ottenuti con le reti neurali sono migliori rispetto a quelli ottenuti con

discriminante lineare; questo sta ad indicare che esistono delle relazioni di non linearità tra

i campioni che il discriminante lineare non è in grado di cogliere.

Conclusioni

Dai risultati ottenuti si può concludere che la tecnica di segmentazione non ha mostrato

delle performance significativamente migliori rispetto alla finestratura ma si è dimostrato

che può essere una strada percorribile per classificare il sonno. Tutti gli indicatori

selezionati infatti hanno valori piuttosto simili in tutte e tre le tecniche. Si potrebbe

migliorare la tecnica di segmentazione provando ad aggiustare i parametri interni

dell’algoritmo come il valore di N (lunghezza media delle epoche consecutive) o il

parametro di arresto dei cicli per la ricerca della threshold 1 ottima. In alternativa si

potrebbe pensare di trovare un criterio di segmentazione del segnale diverso dal SEM.

Il fatto che le reti neurali mostrino risultati migliori fa capire che sono presenti delle

dinamiche non lineari tra i campioni; per questo motivo si pensa che si possa continuare ad

usare le reti neurali come classificatore ed eventualmente pensare ad un uso delle support

vector machines.

Si potranno inoltre utilizzare gli algoritmi di classificazione creati combinandoli tra loro

dal momento che ognuno ha performance buone ma sotto aspetti diversi.




2. Abstract

Objectives

Sleep plays an important role in every man’s life and can influence significantly its health

state. A good nighttime rest increases individuals performances such as a good attention

level, good memorization capacity and enhanced learning ability.[26] On the contrary a

lack of rest (which could be caused by many factors such as sleep apnoea, roncopathy,

restless legs syndrome, stress) can be a cause of psicophysical disorders that may affect the

quality of life. [3]

Nowadays sleep can be monitored and its alterations studied by doing a Polysomnographic

exam that includes the simultaneous acquisition of different signals (ECG, EOG, EEG)

from the patient in specialized centre. By the end of the data acquisition a doctor must be

able to recognize the different sleep phases: the sleeping period of the patient is divided

into 30 seconds periods by the doctor and each epoch is then tagged with a stage. Stages

that can be assigned are: WAKE, REM and NON-REM (recently the number of NREM

stage has been decreased to 3[23]). [10]

The Polysomnographic exam requires the patient to spend the entire night in the equipped

centre with a resulting possible distortion of its psychological state that may influence the

outcome of the acquired data analysis. Therefore the ideal scenario consists in acquiring

data directly from patients in their own bed, in the house environment, during a regular

night of rest.

There are several studies on developing wearable technology or sensorized beds and on

developing methods for automated sleep acquisition and classification. The main aim of

these is to create algorithms that allow to automatically detect the sleep stages without the

need of a specialized technician in order to reduce costs.[27]

In order to predict the sleep phases a spectrum is generated considering 30 seconds fixed-

length windows. The length of the epoch on which spectral descriptors are calculated is

fixed because of standard conformation but this technique ignores the real dynamics of




sleep. A single stage of sleep can be maintained for a period longer or shorter than 30

seconds or for a duration which cannot be a multiple of the 30 seconds duration.

The aim of this thesis is to improve some of the sleep staging techniques starting from an

ECG signal. In particular this study focuses on enhancing the classification obtained from a

fixed-length window and implementing a new technique of adaptive segmentation of an

RR signal.

Materials and methods

Publicly available data were downloaded from Physionet platform

(http://www.physionet.org). In particular the signals used in this work belong to the CAP

Sleep Database [23] [24], University College Dublin Sleep Apnea Database [25], MIT-

BIH Polysomnographic Database[5] libraries. [23]

ECG signals were selected only from healthy patients and converted in .mat file format for

creating a unique dataset of 47 subjects. Data analysis was performed exclusively with the

software Matlab® 2014a.

The first part of the project focuses on the pre-processing of the signals to convert them

into .mat format and unify them in one unique dataset. The only signals extracted are ECG

and hypnogram. Than the RR signals is created using the Pan-Tompkins algorithm with a

fixed threshold.[12] It was necessary to manually set the threshold for each subject by

observing each signal in order to minimize the risk of inadequate peak detection. After the

extraction the hypnogram is superimposed in correspondence and the outliers are removed.

From this starting point two different approaches are followed with the common aim of

creating 8 spectral descriptors from which the classifier can be able to recognize the

different sleep phases.

The first approach, more classical, uses a parametric autoregressive time-variant model for

the computation of the coefficients calculated on each RR sample. These will be used for

the spectrum calculation. The TVAM algorithm of order 9 was improved to allow the

arrest of the signal processing in every moment. In this way it is possible to intervene on

any sample for making correction on the output parameters (which will be the input

parameters for the next sample). This change enables moreover to simulate a situation of

real-time acquisition on the patient: it’s not necessary that the acquisition ends before

http://www.physionet.org/




proceeding to the processing stage. The modification allows also to intervene on instability

of poles generated from the AR model.

TVAM creates nine coefficients for each iteration. These can be represented in phase and

module on the Z plane and compared whit the unit circle depending on their position. Their

position, if out from the unit circle, can represent model instability.

With the modification of the TVAM is now possible to correct the instability by reducing

the distance from the origin with the double distance from the pole to the unit circle. This

will influence the computation of the parameters on the next loop because of the

autoregressive nature of the model.

When the coefficients of all the samples are obtained, these are averaged in 30 seconds

length epochs and passed to the function for spectral features emission.

With the second approach is possible to obtain features calculated on a variable-length

signal segment. The segment coefficients of the AR model are obtained by using an

algorithm that finds the best representation order of the signal. For generation of the

algorithm to create variable-length segments we refer to a published work made by

Bodenstein in 1977. [21] The criterion of the algorithm is to recursively calculate an index

of spectral error measurement (SEM) and compare it to an adaptive threshold (threshold 1).

The length of the window is defined until a sample’s SEM value overflows the threshold 1.

Arranging the internal parameters of the algorithm by following two criteria, 2 datasets are

created respectively with a minimal window length of 90 samples and 150 samples.

Three datasets of spectral features with the respective hypnogram (generated with 3

methods, but starting from the same signals) are now available. These are going to be used

by the classifier for understand what is the best method to choose between fixed-length

window and segmentation. The spectral features set is composed of 8 descriptors: VLF%,

LF%, HF%, HFn, LFn, LF/HF, HFPoleModule, Total Power.

Before using the classification the dataset is balanced and randomized. Discriminant

analysis and Feed Forward Neural Network were then used.

The first step is to observe which features could perform best and then a classification in 4

different configuration of training/test set is produced. Than another algorithm is generated

which removes from test set, at every classification loop, the positive data.




For every loop of classification 4 indexes are chosen: Precision, Recall, Accuracy, Cohen’s

Kappa from which it is possible to calculate the average and the standard deviation of each

index and of each configuration.

Results

According to the obtained results is now possible to find which is the best set of features,

which configuration best allows stages discrimination and understand if the segmentation

algorithm could be a suitable alternative to the fixed-length window technique.

Classification performances were tested by using all possible permutations between all the

features (expect for Total Power), so the best choice is to pass the entire set of features to

the classifier.

Configuration of training/test set is made by unified class of sample in accordance to their

stage index.

Results by using 4 separated classes were weak except for stage 3: the highest value of

Precision was obtained with neural network on the fixed-window-length dataset

(PPVNET30(3) = 0.7036 ± 0.0247).

The best classification performances were obtained with the discrimination on stage 3

against stages 1,2 and 5 (stage 3 Vs [1,2,5]) using neural network with the fixed-length-

window dataset (Tabella 3). In this case PPVNET30(3) = 0.7952 ± 0.0254, NPVNET30(3) =

0.7401 ± 0.0142, KNET30(3) = 0.5158 ± 0.031. Even with the 150-segmentation dataset the

resulting data were good.

Tabella 3: Results classification of Stage 3 Vs [Stage 1; Stage 2; Stage5]

feat30

LD

Class 3 [1,2,5]

Precision 0,7372 ± 0,0103 0,6646 ± 0,0063

Recall 0,6873 ± 0,0052 0,7167 ± 0,0084

Kappa 0,4018± 0,0125

Accuracy 0,7009 ± 0,0062

N NET

Class 3 [1,2,5]

Precision 0,7952 ± 0,0254 0,7206 ± 0,0187

Recall 0,7401± 0,0142 0,7791 ± 0,0219




Kappa 0,5158± 0,031

Accuracy 0,7579 ± 0,0155

By creating a third algorithm of classification made by level, good results were obtained

except for stage 5. (Tabella 4)

Tabella 4: Results of level classification



Precision 0,6421 ± 0,0214 0,6512 ± 0,0481 0,6840 ± 0,0224 0,3119 ± 0,0051

Recall 0,2387 ± 0,0390 0,0552 ± 0,0160 0,4646 ± 0,0415 0,8943 ± 0,0189

Kappa 0,2166 ± 0,0126

Accuracy 0,4152 ± 0,0094


Precision 0,604 ± 0,0260 0,6448 ± 0,0497 0,6840 ± 0,0224 0,3135 ± 0,0057

Recall 0,2944 ± 0,0323 0,604 ± 0,0155 0,4646 ± 0,0415 0,889 ± 0,0164

Kappa 0,2213 ± 0,0159

Accuracy 0,4159 ± 0,0119


Precision 0,6374 ± 0,0319 0,2874 ± 0,0064 0,6840 ± 0,0224 0,5869 ± 0,0334

Recall 0,2505 ± 0,0250 0,7631 ± 0,0177 0,4646 ± 0,0415 0,1587 ± 0,0292

Kappa 0,2123 ± 0,0132

Accuracy 0,4092 ± 0,009

Cohen’s Kappa values showed little variations between the techniques and the database

used. Nevertheless the values are close to each other so it was not possible to find the most

useful method only using this index.

Results obtained with neural network were better than data obtained with discriminant

analysis which means data have non-linearity that discriminant analysis can’t find.




Conclusion

With the obtained results is possible to observe that the segmentation algorithm does not

perform better that the fixed-length-window algorithm but it is now clear that the

segmentation could be used for sleep staging since it has all the values similar to that

values obtained with fixed-length-window.

The segmentation algorithm could be improved trying to set different parameters; for

example the value of N (average length of similar consecutive epochs ) could be changed

or the parameter for interrupting the loop of the optimum threshold 1 finding. Alternatively

it should be created a new method of segmentation based on an index different to SEM.

Neural network shows best results, this means there are non-linear dynamics between

sample; it will be useful to use this classifier also with the use of support vector machines.

A combination of all the classification algorithm could be used taking advantage from the

good performance of each algorithm.




3. Introduzione

In media la vita di ogni essere umano è trascorsa per un terzo del tempo dormendo. Con il

termine sonno si intende un periodo di durata non necessariamente costante durante la

quale l’uomo interrompe il rapporto con il mondo esterno e durante il quale si registra una

sospensione dell’attività motoria complessa e di quella psichica superiore (coscienza e

volontà). È però sbagliato considerare il sonno come un periodo di completa passività del

corpo; al contrario viene considerato come un processo attivo che può venire caratterizzato

attraverso l’analisi di diversi segnali posti al controllo del sistema nervoso centrale. [1]

Durante il sonno i movimenti del corpo sono molto ridotti ma l’attività interna

dell’organismo si mantiene a livelli elevati e sono ancora molti gli aspetti sconosciuti

relativi a questa fase della giornata. Lo studio dell’attività cerebrale e di tutti quegli organi

coinvolti durante le ore di sonno sta rappresentando una sfida sempre più interessante per

poter comprendere le dinamiche coinvolte durante il riposo notturno. [2]

In questo senso è stata proposta una “teoria del sonno attivo” che conferma la centralità

che possiedono alcuni organi che caratterizzano il sonno.

Il sonno è un elemento fondamentale nella vita di ogni uomo: ne influenza i comportamenti

e la qualità della vita in generale; la sonnolenza e la fatica giocano un ruolo importante su

ogni uomo nella sua capacità di non commettere errori. Alcuni studi hanno stimato la

percentuale di infortuni e morti causati da sonnolenza evidenziando quanto un cattivo

livello di riposo possa compromettere il livello di attenzione minima in un uomo e indurlo

a sbagliare [3] [26] [28].

La fase di riposo ha subito radicali modifiche con l’evoluzione dell’uomo: si pensi al ruolo

che ha avuto l’illuminazione artificiale e l’inquinamento visivo nel condizionare stili e

abitudini di ogni individuo in relazione al suo ritmo veglia/sonno. [4]. Ormai al concetto di

tempo viene sempre più associata la parola produttività e profitto; al contrario il sonno

viene inteso come un periodo sulla giornata da ridurre il più possibile per dar spazio alle

proprie attività. Anche le esigenze sociali moderne, la crescita della rete di comunicazione




(internet, programmi televisivi su tutte e 24 ore) hanno molto influenzato i cambiamenti

delle abitudini dell’uomo; si stima per esempio che nell’ultimo secolo la durata media delle

ore di sonno della popolazione cinese si sia ridotta di un’ora. [5]

In parallelo a queste abitudini stanno accrescendo le campagne di sensibilizzazione sui

rischi di lavorare o guidare assonnati: si cerca di prevenire quegli incidenti dovuti

all’eccessivo affaticamento. [6]

Dal momento che il comportamento di ognuno è influenzato da alcuni fattori esterni come

il lavoro, la vita sociale, i doveri familiari e altri impegni, segue il fatto che le ore di riposo

che un uomo riesce ad ottenere possano non necessariamente essere quelle di cui ha

bisogno.

Dal punto di vista scientifico sono stati studiati gli effetti della Partial Sleep Deprivation ed

è stato accertato che una quantità di sonno inferiore o superiore al bisogno fisiologico di

ogni individuo può causare disturbi alla psiche e al fisico penalizzandone la qualità della

vita.

Stress, irascibilità, instabilità emotiva, sonnolenza e stanchezza sono solo alcuni esempi di

sintomi di scarsa qualità del sonno. In alcuni studi è stato dimostrato come da un cattivo

riposo possano essere generati stati di ipertensione, difficoltà nella concentrazione,

irritabilità che può sfociare in episodi psicotici. [7][8]

Si è cercato di capire quali siano i fattori che caratterizzano un buon riposo e quali siano gli

indicatori da utilizzare per capire le variazioni interne dell’organismo. A questo proposito

l’esame classico che si svolge è la polisonnografia. (Figura 1)

Questo esame comprende l’acquisizione di diversi segnali tra cui elettroencefalogramma

(EEG), elettrocardiogramma (ECG), elettrooculograma (EOG), elettromiogramma (EMG),

pletismografia, esame di saturazione dell’ossiemoglobina.

I tracciati sono ottenuti simultaneamente dal paziente e trasmessi ad un tecnico esperto che,

partendo dai segnali ottenuti, identifica per epoche di 30 secondi, in quale fase (o stage) del

sonno il paziente si trovava. È così possibile ottenere l’ipnogramma dal quale poter trarre

delle conclusioni sulla variazione durante la notte tra le diverse fasi e diagnosticare il

disturbo del sonno che il paziente presenta.




Figura 1: Esecuzione di un esame polisonnografico [29]

L’acquisizione di questi parametri richiede che il paziente si rechi presso una struttura

specializzata dotata delle attrezzature necessarie allo svolgimento dell’esame. Il solo fatto

che il paziente non dorma nel proprio letto di casa ma in un letto d’ospedale può alterare le

sue condizioni psicofisiche e la veridicità dell’acquisizione. Durante le ore precedenti alla

notte devono essere applicati al paziente gli elettrodi sul corpo per prepararlo all’esame:

questa procedura può indurre nel soggetto una situazione di stress che potrebbe alterare i

risultati dell’esame.

La manutenzione degli spazi e delle attrezzature dei centri del sonno comportano dei costi

elevati che si vanno a sommare ai costi per la formazione e la retribuzione del personale.

Per questi motivi si è imposta la necessità di progettare dei dispositivi poco invasivi e ad

alta affidabilità che possano acquisire i segnali direttamente a casa del paziente. Si sono

inoltre cercate delle tecniche che consentano di sostituire anche il ruolo del clinico nel

riconoscimento degli stadi. [9]

Sono allo studio per esempio delle tecnologie wearable che permettano l’acquisizione del

segnale ECG durante la notte facendo indossare al paziente una maglietta sensorizzata o

dei materassi (Figura 2) costituiti da una matrice di elettrodi da posizionare all’interno del

proprio materasso di casa; queste strumentazioni garantiscono minima invasività e

permettono l’acquisizione dei segnali direttamente dal letto di casa del paziente. Anche dal

punto di vista economico garantiscono un forte abbassamento dei costi di esecuzione di

questi esami.




Figura 2: Esempio di materasso sensorizzato

Parallelamente allo sviluppo della parte hardware sono allo studio delle tecnologie a livello

software che consentano di generare automaticamente l’ipnogramma senza il supporto di

un tecnico.

Questo progetto di tesi si inserisce proprio nello sviluppo di tecnologie software per il

riconoscimento degli stadi del sonno.

Nella prima parte si faranno dei richiami alla ricerca bibliografica effettuata per

comprendere il problema e cercare delle soluzioni innovative per migliorare il

riconoscimento delle fasi; nella seconda parte della tesi verranno esposte le tecniche

utilizzate per implementare l’idea di partenza motivandone i passaggi. In ultimo verranno

esposti i risultati ottenuti con un commento sull’utilità del lavoro condotto.




4. Stato dell’arte

Il monitoraggio e lo studio dello stato del sonno di un soggetto si effettua comunemente

utilizzando la polisonnografia (PSG). La PSG permette di acquisire diversi segnali elettrici,

quali l’elettroencefalogramma (EEG), l’elettrooculogramma (EOG), l’elettrocardiogramma

(ECG) e l’elettromiogramma (EMG), in combinazione con altre misure respiratorie, quali

il flusso oro-nasale, la saturazione di ossigeno ed i movimenti toraco-addominali durante le

ore notturne. Il riconoscimento delle varie fasi del sonno sono effettuate da un tecnico

esperto sulla base dei tracciati ottenuti; alla fine dell’osservazione dei tracciati l’esperto

riesce ad identificare per epoche della durata di 30 secondi le corrispondenti fasi del sonno

e a generare così un ipnogramma. [27] L’ipnogramma è un tracciato ottenuto al termine

dell’analisi polisonnografica con il quale identificare il corrispondente stage in cui si trova

il soggetto: sull’asse delle ascisse è rappresentato il tempo mentre sulle ordinate il

corrispettivo stage (Figura 3).

Lo standard di stadiazione del sonno prevedeva in passato che si identificassero 6 diverse

fasi. Questo standard è stato definito da Rechtscahffen e Kales e prevede che il sonno sia

suddivisibile in: REM, NREM che può essere a sua volta suddiviso in 4 stadi (NREM 1, 2,

3, 4) e WAKE. [10]

Figura 3: Ipnogramma [30]




Questa convenzione è stata ultimamente superata accorpando i due stadi del NREM 3 e 4

in un unico stadio: NREM 3. [23]

L’esecuzione dell’esame polisonnografico prevede l’acquisizione di diversi segnali tra cui

ECG, EEG, EMG, EOG e richiede che il paziente si rechi presso una struttura ospedaliera

o un centro specializzato per poter effettuare l’esame. Questo può generare nel paziente

un’alterazione del suo stato psicofisico: si pensi per esempio allo stress che può indurre la

procedura di posizionamento degli elettrodi sul corpo in preparazione dell’esame o il fatto

che il paziente non possa passare la notte a casa propria ma in un letto di ospedale. Si

pensa dunque che queste condizioni alterino le caratteristiche del sonno del paziente nella

notte in cui viene svolto l’esame fornendo dei risultati che possono non rispecchiare le sue

vere condizioni.

Per far fronte a questo problema negli ultimi anni si stanno cercando delle tecnologie a

livello sia hardware che software per ridurre l’ingombro di strumentazione per provare ad

acquisire i segnali direttamente nella casa del paziente.

Dal punto di vista hardware sono state realizzate delle magliette sensorizzate che il

paziente può indossare durante la notte per l’ottenimento del segnale ECG o in alternativa

dei materassi sensorizzati da posizionare all’interno del letto in grado di acquisire il

segnale cardiaco con elevata precisione. [12]

Un segnale che questi dispositivi sono in grado di acquisire (oltre ad un segnale di

movimento o di respiro) è l’ECG. È stato dimostrato in studi precedenti come il sistema

cardiaco possa riflettere lo stato di attività del sistema nervoso autonomo. In questo senso

sarà possibile, a partire da un tracciato ECG, riuscire a classificare con un buon grado di

accuratezza l’evoluzione del sonno durante le ore notturne con l’identificazione di una fase

per ogni epoca sulla base del segnale ottenuto. [13]

Dal punto di vista software si è cercato di implementare delle funzioni che potessero

sostituire il ruolo del clinico nel riconoscimento delle varie fasi del sonno. Queste tecniche

cercano di basarsi sul minor numero di tipologie di segnali acquisiti così da poter ridurre

l’invasività dell’esame a cui sottoporre il paziente oltre che provare a contenere i costi.

Questa tecnica è molto vantaggiosa in termini di costi e di fattibilità: non richiede una

strumentazione ingombrante e costosa come lo sarebbe quello di una struttura ospedaliera




né la necessità di personale qualificato che effettui il riconoscimento visivo delle fasi del

sonno sulla base dei tracciati ottenuti.

Questo lavoro di tesi si inserisce nel tentativo di affinare il riconoscimento in automatico

delle fasi del sonno.

Sono stati condotti diversi studi sinora che mettono in evidenzia come sia possibile a

partire da un segnale ECG riuscire a identificare le diverse fasi del sonno.

In letteratura è possibile trovare diversi articoli che si occupano della stadiazione del

sonno. Ogni articolo tenta di proporre dei metodi che vadano a migliorare il

riconoscimento delle fasi utilizzando le tecniche più disparate di elaborazione dei segnali.

Ciò che emerge dallo studio in letteratura è che il miglior metodo per estrarre informazione

da un tracciato ECG sia quello di eseguire un’analisi spettrale su un tracciato battito-battito

così da ottenere una distribuzione di potenza spettrale per ogni battito (PSD); dividendo lo

spettro in diverse bande e osservando le variazioni che lo spettro all’interno delle bande

assume durante il sonno è possibile, con un certo grado di approssimazione, riuscire a

ricostruire l’ipnogramma. In Figura 4 sono rappresentati dei confronti tra rappresentazioni

spettrali di diverse fasi del sonno. Nel primo riquadro sono rappresentati il sonno REM

contro NREM 4, nel secondo spettro sono messi a confronto REM e WAKE. Con L’ultimo

spettro si notano le variazioni di distribuzione tra WAKE e NREM 4. [14]

Figura 4: Variazione della PSD tra REM, NREM, AWAKE

Gangemi et al. hanno condotto un lavoro andando ad indagare le variazioni che alcuni

parametri spettrali possono assumere a seconda delle diverse fasi del sonno. [15]

Lo spettro è suddiviso in 3 bande di potenza e viene osservata come la distribuzione di

potenza varia al loro interno. Le bande in questione sono:




- banda VLF (0.001 – 0.04 Hz): è la banda detta di Very Low Frequency in cui entrano le

fluttuazioni lente della frequenza cardiaca riconducibili a meccanismi di

termoregolazione.

- banda LF (0.04 – 0.2 Hz): è la banda di Low Frequency le cui variazioni sono da

imputare all’azione simpatica.

- banda HF (0.2 – 0.4 Hz): detta banda di High Frequency che è caratteristica della

modulazione del sistema parasimpatico. [13]

Figura 5: Esempio di PSD nelle diverse componenti spettrali

A partire da questa suddivisione in banda è possibile estrarre altri parametri spettrali utili

alla classificazione, per esempio:

- LFn =LF/(TP-VLF);

- HFn=HF/(TP-VLF);

- Total Power;

o parametri temporali come media, varianza, RMSSD.

L’assegnazione di task specifici all’interno delle bande è ancora dibattuta per cui non è del

tutto corretto affermare che ad un’unica banda corrisponda solo la modulazione data dal

sistema parasimpatico o simpatico.

Quel che è certo però è che a seconda della condizione fisiologica in cui si trova il paziente

si possano osservare delle variazioni del contenuto informativo dello spettro ottenuto e

delle variazioni in ampiezza dei picchi corrispondenti alle bande sopracitate.

0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.50

0.005

0.01

0.015

0.02

0.025

Frequenza

PS

D

Spettro soggetto 3

Tp

VLF

LF

HF




Osservando il contenuto in potenza che la PSD può assumere nelle rispettive bande si

possono avanzare delle ipotesi sulla fase del sonno in cui si trova il paziente. In particolare

in questo lavoro si è potuto osservare una progressiva diminuzione nel rapporto LF/HF

passando dallo Stage 1 allo Stage 4 mentre nel passaggio dallo Stage 3 allo Stage 4 si è

registrato un incremento della componente HF.

Solitamente lo spettro contiene un picco centrato sulla frequenza respiratoria in

corrispondenza della banda HF e un secondo picco compreso all’interno della banda LF

che contiene informazioni relative all’attivazione simpatica. Il fatto di aver imposto degli

intervalli di banda fissi può generare degli errori nella discriminazione dei contributi oltre a

trascurare la variabilità che si può avere tra soggetti e tra diverse condizioni fisio-

psicologiche di un unico paziente. Non esiste una distribuzione PSD che sia univoca per

assegnare ad un dato istante una determinata fase del sonno. Oltre a questo si pensi al fatto

che un picco in una banda genera delle code a destra e sinistra che vanno a sovrapporsi al

contenuto in potenza delle altre bande così da interferire (sovrapponendosi) con il loro

contenuto informativo. Condurre un’analisi spettrale statica può generare effetti di

misclassificazione dal momento che non si tiene conto della biodiversità tra soggetti e dalla

variabilità che un unico soggetto può presentare a seconda delle diverse condizioni in cui si

trova o anche lungo le ore di sonno.

Si è tentato di ovviare a questo problema con il lavoro di Xi Long et al [16]. Per condurre

questo studio sono stati elaborati segnali afferenti a 15 soggetti sani (5 maschi e 10

femmine ) di età media di 31 anni acquisiti presso lo SleepHealth Center di Boston (9

soggetti)e presso il Philips Experience Lab di Eindhoven (6 soggetti).

Questo studio ha imposto delle larghezze di banda tempo varianti a seconda della

posizione che il picco assume lungo l’asse delle frequenze.

La posizione dei picchi infatti non è costante e può variare nel tempo in accordo con la

modulazione del battito cardiaco pertanto l’aver impostato delle bande ad ampiezza

predefinita può peggiorare le perfomance nella discriminazione del contenuto informativo

della curva in questione (la classificazione dello stage del soggetto viene condotta sulla

base delle caratteristiche spettrali estratte; una cattiva estrazione delle caratteristiche altera

la purezza dei descrittori). Per poter migliorare questo aspetto è stato proposto un metodo

adattativo di estrazione delle caratteristiche spettrali. Questo metodo si basa sull’analisi




tempo frequenza dell’HRV sviluppato in altre aree di studio come ad esempio la

rilevazione del livello di stress o il monitoraggio dell’anestesia.

I due picchi nelle bande LF e HF sono localizzati calcolando il massimo locale nelle bande

di interesse, si centra la banda in modo tale che il massimo in questione si trovi a metà

della banda cosi da compensare il comportamento tempo variante. Cosi facendo si

andrebbero a ridurre le differenza tra spettri di diversi soggetti migliorandone la

classificazione.

Attraverso un’analisi tempo-frequenza i limiti che definiscono ogni banda possono essere

dinamicamente variabili; si riesce così ad assegnare un valore di frequenza più accurato in

corrispondenza della banda in questione. L’adattamento dei limiti delle bande è stato

eseguito prendendo come riferimento i picchi delle componenti LF e HF. Una volta

eseguita queste correzioni si sono estratte le caratteristiche spettrali

Nella classificazione è stato dimostrato che il discriminante lineare può essere un

classificatore appropriato per la discriminazione SLEEP e WAKE. [17]

Il metodo di classificazione binaria non si è dimostrato adeguato. Questo perché il numero

di epoche di una classe (WAKE) durante una notte sarà più basso rispetto al numero di

epoche di un’altra classe (SLEEP). Per migliorare la classificazione sono state aggiunte

delle ulteriori caratteristiche (non spettrali) relative all’HRV ottenute in studi precedenti

come ad esempio le caratteristiche nel dominio del tempo, misure non lineari estratte con

la DFA o la Sample Entrophy. È stata eseguita una validazione di tipe leave-one-out.

Dai risultati ottenuti relativi nel caso di utilizzo di bande adattative e nella classificazione

delle epoche si è potuto riscontrare quanto la capacità di riconoscimento delle fasi sia stata

migliorata soprattutto combinando le caratteristiche spettrali con quelle non spettrali.

Il metodo che si è dimostrato essere il più affidabile per l’analisi delle fasi del sonno è

quello di analisi spettrale per la generazione di alcuni descrittori spettrali che possono

caratterizzare ogni stage del sonno; l’analisi spettrale fornisce delle informazioni che la

sola analisi temporale non è in grado di dare.

Il modello che sembra meglio adattarsi alle caratteristiche dinamiche del segnale

elettrocardiografico per poter eseguire l’analisi spettrale è il modello parametrico auto

regressivo che riesce a stimare in modo adeguato l’andamento del tracciato battito-battito.




In particolare è stata verificata l’opportunità di utilizzare un modello auto regressivo

tempo-variante in diversi studi tra cui si cita quello di Mendez at [18] che focalizza

l’attenzione anche sulla posizione che assumono i poli del modello auto regressivo nel

cerchio unitario: a seconda di dove i poli si collocano è possibile far corrispondere una

determinata fase del sonno. (Figura 6)

Questo lavoro parte dalla necessità di voler analizzare il segnale HRV e le informazioni

che può fornire in condizioni di non stazionarietà. Il segnale HRV può essere non-

stazionario se vengono fatti eseguire al soggetto delle azioni che portino a dei cambiamenti

transitori come per esempio il tilt-test. Per poter far fronte alle non stazionarietà si può

elaborare il segnale con diverse tecniche come per esempio la Short Time Fourier

Transform, l’analisi con wavelet, una analisi tempo-variante o un’analisi tempo-frequenza.

Con l’uso di un modello auto regressivo tempo variante è possibile ottenere i parametri

spettrali puntuali calcolati sul singolo battito attraverso un metodo rapido e indipendente da

alcuni eventi transitori trovati durante la notte di acquisizione del segnale (provocati per

esempio dai movimenti, dalle apnee o dal cambio di stage durante il sonno).

Il lavoro di Mendez et al cerca dunque di fornire alcuni parametri spettrali che sono stati

ottenuti con l’utilizzo di un modello tempo variante per poter rappresentare le

caratteristiche delle varie fasi del sonno. Il lavoro si è concentrato principalmente

sull’evoluzione temporale di LF e HF, la potenza spettrale, e il comportamento del modulo

e della fase dei poli rappresentativi del modello autoregressivo nella banda HF durante gli

stage di REM e NREM.




Figura 6: Posizionamento dei poli sul CU a seconda dello stage

Il protocollo sperimentale ha previsto l’utilizzo di 3 PSG ottenute durante l’intera notte da

soggetti sani con età compresa tra i 40 e i 50 anni. Dagli ECG acquisiti è stato possibile

ottenere il tracciato RR dal quale poter estrarre i parametri spettrali con l’utilizzo di un

modello auto regressivo tempo variante di ordine 8. Il coefficiente d’oblio del modello è

stato fissato a 0.98.

Sono stato poi calcolati i parametri spettrali medi su finestre con lunghezza di 30 secondi.

In particolare sono state create delle regole per l’estrazione dei parametri spettrali con

l’obiettivo di poter meglio discriminare le fasi REM e quelle NREM. I criteri sono stati:

- i parametri spettrali sono stati presi una o due epoche antecedenti e conseguenti all’inizio

e fine dell’epoca REM

- gli stage del NREM sono di 2 tipi: light sleep e deep sleep con al massimo 10 epoche

consecutive.

Per differenziare le caratteristiche dei gruppi sono stati eseguiti dei t-test.

È stato possibile notare come il posizionamento dei poli (a seconda del loro modulo e fase)

all’interno del cerchio unitario sia rappresentativo delle diverse fasi (REM o NREM) in cui

il paziente può trovarsi durante il sonno. In particolare durante il NREM i poli relativi

all’HF sono molto vicini alla circonferenza unitaria mentre durante il REM tendono ad

allontanarsi e ad assestarsi a frequenze inferiori.

Confrontando i valori ottenuti nella fase REM rispetto a quella NREM si è potuto notare

un incremento della componente LF e un decremento del contributo HF. Questi risultati




sono in accordo con gli studi precedenti ma è stato possibile poter capire la validità dello

studio dei poli ottenuti con il modello auto regressivo che a sua volta si è dimostrato valido

per valutare il comportamento dell’RR durante la notte.

Il modello auto regressivo da utilizzare in caso di estrazione di parametri spettrali è stato

inoltre migliorato e ottimizzato. Grazie al lavoro di Tacchino et. al [19] si è potuto

osservare che l’ordine ottimo di rappresentazione delle oscillazioni del segnale RR non è di

8 coefficienti bensì di 9.

Quest’ultimo lavoro si è posto come obiettivo la ricerca dell’ordine ottimo del modello

autoregressivo tempo variante per estrarre caratteristiche spettrali. Il modello

autoregressivo tempo variante calcola ad ogni campione un determinato numero di

coefficienti (che dipende dell’ordine del modello) sulla base dei coefficienti precedenti ed

un coefficiente d’oblio da imporre a seconda dell’effetto di memoria dei campioni

precedenti che si vuole imporre. Il coefficiente di oblio può essere scelto a seconda di

quanto si voglia tenere in considerazione dei precedenti campioni rispetto a quello in

analisi e la sua variazione è imposta in base al calcolo dell’errore di predizione. É sempre

importante imporre un buon coefficiente d’oblio cercando un compromesso tra la stabilità

in condizioni stazionarie e la velocità dell’adattamento in corrispondenza di rapide

variazioni del segnale.

È stato possibile trovare l’ordine ottimo del modello (9) e impostare un coefficiente d’oblio

variante che riesca a seguire meglio la dinamica del segnale: bassi valori del coefficiente

d’oblio possono essere utilizzati quando il segnale presenta delle dinamiche rapide ad

elevata ampiezza mentre un coefficiente d’oblio maggiore può risultare appropriato quando

il segnale presenta in alcuni spezzoni un andamento stazionario

Quest’ultimo lavoro si è rivelato essere molto utile nella pianificazione del presente lavoro

di tesi che conterrà nel suo sviluppo una modifica di questo algoritmo.

Si cita infine un ultimo lavoro che è stato utile nell’impostazione del problema di questa

tesi in cui si è proposto un metodo di segmentazione automatica del tracciato RR. Per fare

questo ci si è basati sul lavoro svolto da Mariani et. al [20] in uno studio per la

segmentazione dell’EEG e sull’articolo di Bodenstein et al [21].

Nel primo articolo [20] viene presentato un metodo di riconoscimento e classificazione

automatica della fasi del sonno in un tracciato EEG e la conseguente individuazione delle




fasi CAP (cycling alternating pattern). A questo scopo l’autore ha implementato un

algoritmo di segmentazione automatica del segnale EEG al fine di creare degli indicatori

calcolati su finestre di lunghezza non costante che riescano a caratterizzare le varie fasi con

maggiore accuratezza, specificità e sensitività.

L’articolo presenta i passaggi necessari per eseguire questa classificazione: vengono

innanzitutto isolate le fasi di sonno di tipo NREM con la tecnica delle reti neurali,

successivamente viene eseguita la segmentazione basandola sul principio di misurazione

dell’errore spettrale SEM (Spectral Error Measure). Dai segmenti di tracciato ottenuti è

stato possibile estrarre dei descrittori spettrali utili alla classificazione delle fasi del sonno;

la loro validità è stata testata eseguendo un confronto con altri descrittori ottenuti sul

medesimo tracciato con metodi a finestratura fissa.

Prima che questo algoritmo venisse sviluppato infatti veniva eseguita l’analisi spettrale su

finestre di dimensioni fisse (generalmente di 1 secondo) estraendo su ogni finestra dei

parametri da utilizzare successivamente come un’osservazione sulla medesima finestra

nella fase di training o testing del classificatore. Questo procedimento però trascura le

caratteristiche transienti del segnale, le sue non-stazionarietà e le fluttuazioni che può

presentare penalizzando il contenuto informativo di ogni singolo indicatore ottenuto nella

fase di estrazione di features spettrali calcolati sulla finestra di dimensione fissa. Per

ovviare a questo problema si è deciso di impostare un criterio che possa generare delle

finestre di lunghezza variabile all’interno delle quali il segnale abbia delle caratteristiche

spettrali uniformi.

Questo studio si è basato su segnali polisonnografici ottenuti su 16 soggetti sani acquisiti

presso l’Ospedale Maggiore di Parma; la valutazione dei tracciati e la consecutiva

creazione dell’ipnogramma è stata affidata ad un esperto che ha classificato le fasi del

sonno secondo le regole di Rechtschaffen e Kales (1968) [9]. Questi ipnogrammi hanno

costituito il gold standard e, mediante un confronto tra questi tracciati e quelli ottenuti

dall’algoritmo, è stato possibile valutare la bontà della classificazione e la validità del

metodo proposto.

Prima di poter eseguire la segmentazione è stato effettuato un riconoscimento delle fasi

NREM tramite la generazione di 10 indicatori calcolati su finestre di lunghezza fissa (30

secondi) utilizzati nella classificazione tramite reti neurali per discriminare le fasi di

WAKE, REM, NREM.




Il numero di neuroni nascosti è stato determinato in modo sperimentale attraverso la

minimizzazione dell’errore nel set di training e in quello di validazione utilizzando la

tecnica LOO (leave-one-out).

Una volta terminata la fase di preparazione del segnale si è potuto eseguire l’algoritmo di

segmentazione.

Il principio di funzionamento di quest’algoritmo si basa sulla sogliatura del parametro che

indica la misura dell’errore spettale (SEM): il segnale viene finestrato con una finestra che

ha una lunghezza tale per cui il valore SEM calcolato sulla finestra non superi un

determinato valore di soglia mantenuto fisso. Nel caso in cui SEM dovesse superare il

valore soglia, viene fissato il limite destro della finestra precedente e iniziata una nuova

finestra, azzerando il SEM. (Figura 7)

Figura 7: Metodo SEM per segmentazione adattativa di tracciati EEG

Una volta individuate le finestre a lunghezza variabile vengono estratti 7 descrittori per

ogni finestra: cinque descrittori di banda, un descrittore di attività, e un descrittore di

varianza. Il contenuto informativo di questi è stato confrontato rispetto ai descrittori

ottenuti su finestre di 1 secondo mediante lo studio di curve ROC ottenute applicando

diverse soglie ad ogni descrittore e comparandolo al gold standard ottenuto dalla

classificazione di un esperto.

Una volta terminato l’algoritmo è stato possibile valutarne la validità attraverso il

confronto dei parametri di specificità, sensitività, accuratezza ottenuti con finestratura fissa

rispetto a quella mobile. Si è potuto notare quanto tutti e tre i parametri presentino dei

valori migliori.




Questo sta ad evidenziare quanto il metodo possa essere ritenuto corretto e quanto riesca a

migliorare le performance del classificatore.




5. Materiali e metodi

Nel diagramma in Figura 8 sono mostrate le fasi che hanno caratterizzato questo lavoro di

tesi. Di seguito verrà spiegato ogni blocco del diagramma.

Figura 8: Diagramma a blocchi sullo svolgimento del lavoro

2. PRE-PROCESSING

3. SEGMENTAZIONE /

FINESTRATURA

Segmentazione 90 Campioni

Segmentazione 150 CampioniFinestratura 30 secondi

4. Features Spettrali:

Feat90Camp

Feat150Camp

Capslpdb Database

5. CLASSIFICAZIONE

- Discrminante Lineare

- Reti Neurali

1. ACQUISIZIONE

Ucddb DatabaseSlpdb Database

4. Features Spettrali:

Feat30Sec




5.1 Protocollo sperimentale

In questo studio sono stati utilizzati tre database di dati disponibili liberamente sulla

piattaforma physionet (http://www.physionet.org). Rispettivamente i database sono stati:

1. MIT-BIH Polysomnographic Database; [23]

2. The CAP Sleep Database; [24][23]

3. St. Vincent’s University Hospital / University College Dublin Sleep Apnea

Database; [25]

Il primo contiene segnali registrati presso il Boston’s Beth Israel Hospital Sleep Laboratory

utilizzati per la valutazione delle apnee ostruttive durante le ore notturne e per testare

l’efficacia di un intervento terapeutico che riduca l’ostruzione delle vie aeree durante il

sonno.

Il CAP Sleep Database contiene 108 registrazioni polisonnografiche di soggetti affetti da

diverse patologie del sonno (narcolessia, bruxismo, insonnia, epilessia notturna al lobo

frontale, movimento periodico delle gambe, disturbi alla respirazione, disturbi della fase

REM). Da questo database sono stati scaricati solo i pazienti sani per un totale di 10

soggetti.

Il terzo database conteneva polisonnografie acquisite presso lo Sleep Disorders Clinic at

St. Vincent’s University Hospital per lo studio di alcune patologie del sonno. Il set di

pazienti è stato selezionato random all’interno di un gruppo di pazienti acquisiti nell’arco

di 6 mesi. Anche in questo caso, per questo lavoro di tesi, sono stati considerati solo i

pazienti sani del database.

La Tabella 5 sottostante mostra alcune caratteristiche preliminari dei segnali utilizzati.

Complessivamente si è ottenuto un set di 47 soggetti sani dei quali non è più stato tenuto in

considerazione il dataset di provenienza.

Tabella 5: Segnali utilizzati

Database Abbreviazione N°

file

Età

media Genere Patologie

Durata media

(ore)

1 slpdb 13 41.9 ±

7.78 13 M Nessuna 5.27 ± 1.49

http://www.physionet.org/




2 capslpdb 10 32 ± 5.25 6 F + 4

M Nessuna 8.4 ± 0.6

3 ucddb 24 49.8 ±

9.71

4 F + 20

M Nessuna 6.95 ± 0.5

Tutto il lavoro di tesi è stato effettuato utilizzando il software Matlab® versione R2014a.

5.2 Pre-processing dei dati

Prima di poter effettuare le elaborazioni è stato necessario uniformare i segnali ed estrarre

gli unici tracciati di interesse. Inizialmente infatti i file in questione contenevano segnali

non utili ai fini della tesi come ad esempio EMG, EOG, EEG. L’unico segnale di interesse

acquisito è stato l’ECG e l’ipnogramma relativo alla stessa notte.

Ogni dataset è stato registrato secondo diversi standard di salvataggio di segnali (.ecg, .edf,

.st). Per questo motivo sono state implementate 3 diverse funzioni che permettessero

l’unificazione dei tre dataset. Con l’esecuzione di queste funzioni si sono ottenuti 47 file

.mat ognuno contenente il segnale elettrocardiogramma (ECG) e l’ipnogramma (HYP).

A partire da questi file sono stati estratti i tracciati RR. I file dei soggetti del database slpdb

avevano già al loro interno una matrice con l’identificazione dei picchi di ogni complesso

QRS che è stata usata per la creazione dell’RR. Per gli altri due dataset è invece stato

utilizzato un algoritmo di Pan-Tompkins [12] per il riconoscimento dei picchi R su tutto il

segnale (Figura 9). La funzione in questione ha soglia fissa ed è stato necessario impostare

un valore di soglia adeguato per ogni paziente. I tracciati ECG mostravano grande

variabilità per cui è stato necessario impostare una soglia conducendo un’osservazione

visiva di ogni tracciato per perdere il minor numero di picchi. È stato successivamente

creato una seconda matrice contenente l’ipnogramma sincronizzato con l’RR (Figura 10).




Figura 9: Riconoscimento dei picchi R con algoritmo di Pan-Tompkins [12]

Figura 10: Ipnogramma sincronizzato con RR

In Figura 10 è rappresentato in blu il tracciato RR: sull’asse delle ascisse è riportato

l’istante in cui il complesso QRS i-esimo è rilevato mentre in ordinata è riportata la

distanza temporale che intercorre tra il picco i-esimo rilevato e il precedente. Nella parte

inferiore della figura è rappresentato l’ipnogramma in corrispondenza degli istanti dell’RR.

1.0362 1.0363 1.0363 1.0363 1.0363 1.0363 1.0364 1.0364 1.0364 1.0364 1.0364

x 105

0

0.5

1

1.5

2

2.5

3

3.5

ECG e detezione picchi R soggetto 23

Secondi

mV

ECG

Picchi R

9.44 9.46 9.48 9.5 9.52 9.54 9.56

x 104

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8RR soggetto 12

Secondi

Seco

nd

i

9.44 9.46 9.48 9.5 9.52 9.54 9.56

x 104

0

1

2

3

4

5

6Ipnogramma soggetto 12

Secondi

Sta

ge




Sull’asse delle ascisse è riportato il tempo mentre in ordinata sono rappresentati gli stage

corrispettivi in cui si trova il soggetto. La convenzione utilizzata è la seguente:

1 = WAKE;

2 = NREM 1-2;

3 = NREM 3-4;

5 = REM;

A partire dal segnale RR sarà possibile estrarre le features spettrali di ogni campione. Per

fare questo sinora era stato utilizzato un modello autoregressivo tempo-variante ad ordine

ottimizzato 9 (TVAM) che preso in ingresso il segnale RR restituisce in uscita i

coefficienti spettrali e la varianza dell’errore di predizione del modello AR (oltre ad altri

parametri di interesse). Questi verranno successivamente utilizzati nel calcolo della PSD. Il

modello TVAM fonda il suo funzionamento sulla previsione del valore del campione in

esame sulla base dei campioni precedenti: il valore assunto dal segnale all’istante n può

essere descritto come la somma dei campioni precedenti, pesati per i coefficienti del

modello. Viene poi calcolato l’errore di predizione che rientra nel calcolo della varianza

dell’errore di predizione. La variazione del coefficiente d’oblio del modello è stata

impostata seguendo il criterio di Fortesque dal momento che ne è stata validata la

robustezza in precedenti lavori. [19]

Il coefficiente d’oblio secondo il metodo di Fortesque dà la possibilità di ottenere un

coefficiente w tempo variante; in questo modo nel caso l’errore di predizione sia basso il

coefficiente può diventare più elevato. Al contrario, nel caso in cui l’errore di predizione

sia alto, il modello imposta un w ridotto; in questo modo si ottiene un adattamento rapido

del modello al segnale.

Per poter usare questo algoritmo è necessario che l’acquisizione del segnale che sta

ipoteticamente avvenendo sul paziente, sia conclusa. Solo quando il processo di

acquisizione sarà concluso sarà possibile utilizzare il modello TVAM

Un primo step del lavoro di tesi è consistito nell’adattare l’algoritmo perché non dipenda

dallo stato di avanzamento del processo di acquisizione. È infatti importante che questo

algoritmo possa lavorare in sincronia con un’ipotetica acquisizione dell’ECG sul paziente.

Il modello TVAM modificato è in grado di fornire un output ad ogni campione datogli in

ingresso (ad eccezione dei primi nove campioni necessari per poter raggiungere l’ordine




del modello) e di poter ricaricare i dati necessari nel caso un secondo campione fosse dato

in ingresso a distanza di molto tempo. Questo algoritmo restituisce un output ad ogni

campione acquisito, che costituirà l’input del campione successivo.

Impostando questa modifica è possibile interrompere il calcolo dei coefficienti ad ogni

momento che si desidera e agire sui coefficienti per effettuare delle correzioni. Una volta

eseguite le correzioni si può far ripartire l’algoritmo dando in ingresso il campione corrente

modificato. Le modifiche apportate al campione precedente saranno prese in input

dall’algoritmo e influenzeranno il calcolo dei successivi coefficienti.

Il modello TVAM di partenza dà come output i coefficienti del modello autoregressivo

calcolato sul campione in esame. Da questi coefficienti è possibile calcolare la posizione

che i poli assumono sul piano Z. Essendo la serie RR un segnale a tempo discreto nel

dominio del tempo, è possibile rappresentarlo nel dominio delle frequenze con il calcolo

della trasformata Z. Quest’ultima può essere definita in un dominio di convergenza del

piano complesso Z. Il dominio di convergenza di una qualsiasi equazione alle differenze è

definito dal cerchio unitario e a seconda di dove i poli della funzione di trasferimento del

sistema a tempo discreto si posizionano rispetto al cerchio unitario si può dire che il

sistema è stabile, debolmente stabile, instabile.

Anche in questo lavoro di tesi si è interessati alla posizione dei poli generati a partire dal

segnale RR dal momento che la posizione dei poli può essere esplicativa per una

determinata fase del sonno. [18]

Attraverso il TVAM modificato è stato possibile eseguire delle correzioni su tutti quei poli

che presentavano delle instabilità, che andavano cioè a posizionarsi all’esterno del cerchio

di raggio unitario.

Nel caso l’algoritmo identifichi la presenza di un polo con modulo maggiore di 1, viene

ricalcolata la distanza del polo rispetto all’origine imponendo una riduzione della fase del

doppio della distanza rispetto al raggio unitario. In Figura 11 viene mostrato come è

effettuata la modifica del polo esterno al CU (colore magenta), per riportalo nel dominio di

stabilità (colore verde).




Figura 11: Metodo di correzione dei poli

All’interno di tutto il database sono stati pochi i pazienti che mostravano dei poli instabili.

L’istogramma in Figura 12 sottostante mostra quante sono state le modifiche ai poli e su

quale soggetto sono state effettuate. L’asse delle ascisse indica il numero identificativo di

ogni paziente.

Figura 12: Conteggi del numero di correzioni sui poli

-1.5 -1 -0.5 0 0.5 1 1.5-1.5

-1

-0.5

0

0.5

1

1.5Correzione sui poli

Cerchio Unitario

Polo Iniziale

Polo Corretto

0

50

100

150

200

250

300

350

400

1 2 3 4 5 6 7 8 91

01

11

21

31

41

51

61

71

81

92

02

12

22

32

42

52

62

72

82

93

03

13

23

33

43

53

63

73

83

94

04

14

24

34

44

54

64

7

n° poli modificati

numpolimod




Si nota che il numero di correzioni è piuttosto esiguo se si considera la lunghezza totale del

segnale RR di ogni singolo paziente: il paziente 19 mostra 337 sostituzioni di poli che

rapportato alla lunghezza totale del segnale RR costituiscono meno dell’1%. La

percentuale delle modifiche ai poli effettuate su tutti i pazienti è pari allo 0.09%.

Questa correzione sulla posizione dei poli viene poi mandata in input all’algoritmo per il

calcolo dei parametri successivi; questo crea delle modifiche sul calcolo dell’errore di

predizione. Dalla Figura 13 si può notare come la correzione sui poli generi una varianza

dell’errore di predizione più elevata rispetto al modello precedente. Prima che l’errore

possa essere paragonabile a quello ottenuto con il modello TVAM classico devono passare

diversi campioni. Il tracciato rosso indica l’andamento della varianza dell’errore di

predizione senza che la correzione sui poli venga effettuata mentre quello blu è quello

ottenuto al seguito della correzione dei poli che è avvenuta in corrispondenza dei punti

indicati in nero.

Figura 13: Effetti della correzione dei poli sulla varianza dell'errore di predizione

Questo aspetto va tenuto in considerazione dal momento che la varianza dell’errore di

predizione verrà data in ingresso all’algoritmo per il calcolo dello spettro.

La correzione dei poli impone delle modifiche anche sull’andamento delle features

spettrali. In Figura 14 sono mostrati gli andamenti di due features senza effettuare

8 8.2 8.4 8.6 8.8 9 9.2 9.4 9.6 9.8 10

x 104

0

0.01

0.02

0.03

0.04

0.05

0.06

0.07Varianza dell'errore di predizione senza correzione dei poli soggetto 1

Secondi

8 8.2 8.4 8.6 8.8 9 9.2 9.4 9.6 9.8 10

x 104

0

0.01

0.02

0.03

0.04

0.05

0.06

0.07Varianza dell'errore di predizione con correzione dei poli soggetto 1

Secondi

Var Err Pre

Var Err Pre

Poli Corretti




modifiche sui poli (rosso) e correggendo la distanza del polo rispetto all’origine (blu). In

verde sono indicati gli istanti in cui viene effettuata la correzione sui poli.

Figura 14: Effetti della correzione dei poli su VLF e HFPoleMdule

All’interno dell’algoritmo TVAM è stato possibile anche sincronizzare gli ipnogrammi in

corrispondenza di tutti i campioni di ogni paziente. Per questo lavoro sono state adottate

delle convenzioni diverse rispetto agli standard di stadiazione del sonno: in particolare

sono state accorpate due fasi di non-rem. Le fasi di non-REM 1 2 sono state unite in un

unico cluster così come le fasi di non-REM 3 e 4.

Tutti gli ipnogrammi sono stati impostati secondo questa convenzione:

1 – WAKE;

2 – NR(1-2);

3 – NR(3-4);

5 – REM;

8.7 8.72 8.74 8.76 8.78 8.8 8.82 8.84 8.86

x 104

0

20

40

60

80

100

120VLF soggetto 12

Secondi

Perc

en

tuale

descrittore senza modifica dei poli

descrittore con modifica dei poli

8.7 8.72 8.74 8.76 8.78 8.8 8.82 8.84 8.86

x 104

0.4

0.6

0.8

1

HFPoleModule soggetto 12

Secondi

Mo

du

lo

descrittore senza modifica dei poli

descrittore con modifica dei poli




Nella Figura 15 sottostante è mostrato un esempio di ipnogramma:

Figura 15: Ipnogramma corretto secondo la convenzione utilizzata

Gli ipnogrammi di ogni paziente sono stati sincronizzati con il tracciato RR e sono stati

rimossi quegli spezzoni di segnale che non erano definiti nel dominio dall’altro segnale.

Può infatti succedere che la registrazione dell’ipnogramma cominci con qualche minuto di

ritardo rispetto all’acquisizione ECG o viceversa. Chiaramente non è possibile fare nessuna

considerazione per quegli spezzoni in cui manca uno dei due tracciati (RR o hyp).

5.3 Segmentazione

Da questo punto in poi il lavoro si è sviluppato parallelamente cercando due metodi che

consentissero una buona estrazione di caratteristiche spettrali. I due metodi seguono due

approcci con l’obiettivo unico di creare delle finestre di segnale da passare all’algoritmo di

estrazione di features spettrali. Normalmente infatti non si fa una classificazione sulla base

di features spettrali sul singolo campione; al contrario si crea uno spettro medio all’interno

di uno spezzone di segnale da cui poi estrarre i descrittori d’interesse da passare al

classificatore.

8 8.5 9 9.5 10 10.5 11 11.5

x 104

0

1

2

3

4

5

6

Secondi

Sta

ge

Ipnogramma soggetto 1




Lo scopo di questa attività è quello di identificare un criterio per meglio partizionare il

segnale così da creare degli spezzoni che possano avere caratteristiche spettrali simili. I

due approcci utilizzati sono:

1 – finestratura a lunghezza fissa impostata a 30 secondi;

2 – segmentazione a finestra variabile basandosi sul calcolo del parametro SEM.

Le features spettrali estratte in entrambi i casi sono state:

VLF%: è la potenza spettrale che cade nella banda di Very Low Frequency

(0.001 – 0.04 Hz) a cui vengono associate le lente fluttuazioni della frequenza

cardiaca dovuti a effetti di termoregolazione. Il valore è espresso in percentuale

rispetto alla Total Power;

LF%: è l’area della PSD contenuta all’interno della banda di frequenza 0.04 – 0.2

Hz le cui variazioni sono dovute all’attività simpatica. Il valore è espresso in

percentuale rispetto alla Total Power;

HF%: è la potenza contenuta nella banda di alta frequenza (0.2 – 0.4 Hz).

L’associazione di questo parametro all’attività parasimpatica non è ancora stata

stabilita con certezza. Il valore è espresso in percentuale rispetto alla Total Power;

LF/HF: rapporto tra le due potenze in banda. La modulazione di questo indicatore

è indicativo di quale tipo di attività prevalga tra le bande.

HFPoleModule: Modulo del polo di alta frequenza ottenuto dal modello

autoregressivo;

LFn = Contenuto delle basse frequenze normalizzato. LFn = LF / (TP - VLF);

HFn = Contenuto delle alte frequenze normalizzato HFn = HF / (TP –VLF);

Total Power: potenza totale ottenuta con la PSD.

5.3.1 Finestratura a lunghezza fissa

In questo caso l’algoritmo elimina gli outlier dall’RR e divide il segnale con segmenti di

lunghezza costante pari a 30 secondi. Ogni segmento viene passato all’algoritmo per il

calcolo dello spettro e la successiva creazione dei descrittori spettrali che vengono generati

a partire della media dei coefficienti ottenuta sulla singola finestratura: per ogni singolo

spezzone della durata di 30 secondi si ottengono 8 descrittori. Ad ogni spezzone viene

assegnato lo stage dall’ipnogramma corrispettivo assegnando il valore di stage che ha più




alta numerosità sui campioni interni allo spezzone di 30 secondi. È stata creata anche una

parte di codice per tenere memoria del segmento in cui l’assegnazione dello stage allo

spezzone sia ritenuta non precisa: la condizione imposta è verificata quando lo stage

assegnato a tutto lo spezzone è presente al suo interno per meno del 70%.

5.3.2 Segmentazione a finestra adattativa

Prima di implementare questo algoritmo è stata condotta una ricerca bibliografica per

cercare di capire se fossero stati già inventati dei metodi di segmentazione dinamica

dell’ECG. Non si sono trovati articoli inerenti a questa tecnica dunque si sono fatte delle

considerazioni sulla base di una tecnica proposta da Bodenstein nel 1977 ([9]) per la

segmentazione adattativa dell’EEG.

Sulla base di questo articolo è stato implementato l’algoritmo di segmentazione del

tracciato RR che è così strutturato.

Dopo un primo filtraggio dell’RR di ingresso in cui vengono rimossi gli outlier e si

normalizza il segnale, l’algoritmo scorre il segnale finché non acquisisce il numero minimo

di campioni per poter calcolare il modello autoregressivo dello spezzone e l’errore di

predizione. Quest’ultimo viene preso in esame e modificato nel caso in cui presenti picchi

elevati per brevi transitori. A partire dal campione n-esimo l’algoritmo imposta il limite

sinistro della finestra e comincia a scorrere i campioni successivi calcolando ad ogni passo

4 indici di errore che entrano nel calcolo della short time ACF che ha un valore di

ampiezza fissato a 3. La funzione di ACF quindi con m = [0, M] viene calcolata come:

(n,m)=

;

Dopodiché per valori di m da 0 a M viene calcolato il valore SEM:

SEM(n) = [ 0,0

n,0 -1]2

+ ∑ [

]

2;




Il primo termine dell’equazione rappresenta il cambiamento sulla potenza totale dell’errore

di predizione mentre il secondo termine dipende unicamente dai cambiamenti spettrali. Il

segnale RR avrà caratteristica quasi-stazionaria finché il valore di SEM si mantiene sotto

un certo valore di soglia impostata.

Quando il valore SEM oltrepassa in corrispondenza del campione n + k il valore di soglia

threshold 1, si fissa sul medesimo campione il limite destro del segmento di segnale e si

ricomincia il ciclo re-inizializzando tutto dal campione successivo n + k + 1.

La scelta di un valore di soglia fisso da imporre alla SEM è risultato non adatto per le

necessità del lavoro. Si è quindi scelto di creare una soglia adattativa che varia ad ogni

finestratura. Si è inoltre imposto un vincolo pratico sulla lunghezza minima e massima

della finestra. Sono state generate due tipi di segmentazione a lunghezza adattativa dal

momento che si sono imposte due condizioni diverse sulla lunghezza della finestra. La

prima segmentazione impone una lunghezza minima di finestra pari a 90 campioni e una

lunghezza massima di 420 campioni. La seconda segmentazione adattativa ha i limiti

inferiore e superiore fissati rispettivamente a 150 e 480 campioni.

La scelta di questi limiti è dovuta a delle considerazioni pratiche sull’utilizzo

dell’algoritmo batch di creazione delle features spettrali e alla necessità di non voler

ottenere delle finestre eccessivamente ampie nel caso non si riesca a trovare la soglia

ottima per lo spezzone in osservazione.

Il valore N che compare nel calcolo della ACF corrisponde alla semi-ampiezza della

finestra entro cui ci si aspetta che il valore di SEM rimanga sotto la threshold 1.

Nell’algoritmo è stato imposto una valore di 270 campioni, pari alla metà della lunghezza

di epoche simili consecutive medie calcolate su tutti i soggetti del database (Figura 16).

L’istogramma sottostante mostra la lunghezza di epoche consecutive uguali per ogni

paziente grazie al quale è stato possibile calcolare la lunghezza di N = 270 campioni pari a

9 epoche di 30 secondi.




Figura 16: Lunghezza media epoche simili su ogni soggetto

È stato poi imposto un secondo vincolo sul numero massimo di iterazioni che l’algoritmo

può compiere per trovare la soglia ottima dello spezzone in esame per ridurre i tempi di

elaborazione. Nel caso l’algoritmo compia più di 500 iterazioni sul singolo spezzone viene

imposta una finestra di lunghezza pari a 90 campioni (o 150) e si procede con la re-

inizializzazione dell’algoritmo sul campione successivo.

Anche nel caso di segmentazione adattativa viene assegnato ad ogni spezzone di segnale

un valore di ipnogramma verificando quale sia lo stage a più alta numerosità all’interno del

segmento e tenendo conto di eventuali assegnazioni sospette.

Al termine della segmentazione si ottengono gli spezzoni di RR mostrati in Figura 17: in

magenta è rappresentato il tracciato RR da cui sono stati rimossi gli outlier mentre

l’ipnogramma è rappresentato in nero. Le linee verdi rappresentano tutti i segmenti creati.

0

10

20

30

40

50

60

70

801 2 3 4 5 6 7 8 9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

Lunghezza media epoche simili




Figura 17: Risultato della segmentazione su un soggetto

5.4 Estrazione di features spettrali

I risultati dei precedenti algoritmi vengono unificati in modo da perdere la dipendenza

dalle caratteristiche di ogni singolo paziente. Vengono quindi creati tre grossi dataset:

1. Finestratura a lunghezza fissa: matrice30sec

2. Segmentazione a finestra mobile:

i. Con finestra minima di 90 campioni: matrice90camp;

ii. Confinestra minima di 150 campioni: matrice150camp;

Il secondo e il terzo set vengono passati ad un algoritmo che crea il modello AR Batch di

ogni spezzone trovando l’ordine ottimo del modello (tra 8 e 20). Dal modello ottenuto è

così possibile estrarre le features spettrali. Il primo dataset come già detto è invece passato

al modello TVAM (9) e successivamente all’algoritmo di estrazione delle features

calcolate facendo la media dei coefficienti e della varianza dell’errore di predizione

ottenuti entro la finestra fissa di 30 secondi. In entrambi i casi le features sono il risultato

dell’estrazione di parametri sulla base dei coefficienti medi ottenuti all’interno di un

segmento.

9.4 9.5 9.6 9.7 9.8 9.9

x 104

1

2

3

4

5

6

7

8

Segmentazione 90 campioni soggetto 1

Secondi

Mv,

Sta

ge




Si arriva dunque alla definizione di 3 dataset, ognuno contenente 8 colonne di descrittori

spettrali e una colonna con lo stage corrispettivo di ogni riga.

In Figura 18 è mostrata l’evoluzione di un descrittore in corrispondenza dell’ipnogramma.

In particolare è rappresentato il descrittore LF/HF per i primi 1000 campioni ottenuti con la

segmentazione a 150 campioni

Figura 18: Variazione di LF/HF in corrispondenza di diversi stage

In Figura 19 e Figura 20 sono mostrati gli istogrammi ottenuti per i rispettivi descrittori nel

caso di dataset a 30 secondi e 90 campioni.

2.94 2.945 2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99

x 104

0

10

20

30

40

50

60LF/HF

Secondi

2.94 2.945 2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99

x 104

0

1

2

3

4

5

6Ipnogramma

Secondi

Sta

ge




Figura 19: Istogrammi ottenuti con finestratura fissa

Figura 20: Istogrammi ottenuti con segmentazione adattativa

0 10 20 30 40 500

2000

4000

6000VLF

0 10 20 30 40 500

0.5

1

1.5

2x 10

4 LF

0 10 20 30 40 500

1

2

3x 10

4 HF

0 10 20 30 40 500

1

2

3

4x 10

4 LF/HF

0 10 20 30 40 500

1000

2000

3000

4000HFpoleModule

0 10 20 30 40 500

1

2

3

4x 10

4 LFn

0 10 20 30 40 500

1

2

3

4x 10

4 HFn

0 10 20 30 40 500

1

2

3x 10

4 Tp

0 0.5 1 1.5 21

2

3

4

530

wake

nrem 1-2

nrem 3-4

rem

total

Istogrammi finestratura fissa

0 10 20 30 40 500

100

200

300VLF

0 10 20 30 40 500

100

200

300LF

0 10 20 30 40 500

200

400

600

800HF

0 10 20 30 40 500

1000

2000

3000LF/HF

0 10 20 30 40 500

200

400

600

800HFpoleModule

0 10 20 30 40 500

100

200

300LFn

0 10 20 30 40 500

100

200

300

400HFn

0 10 20 30 40 500

1000

2000

3000

4000Tp

0 0.5 1 1.5 21

2

3

4

590

wake

nrem 1-2

nrem 3-4

rem

total

Istogrammi segmentazione adattativa




5.5 Classificazione

A partire da queste matrici sarà possibile passare al classificatore un set di descrittori per

ottener una previsione sull’ipnogramma di un testing set.

Le due metodologie scelte di classificazione sono state il discriminante lineare e le reti

neurali.

Prima di lanciare qualsiasi algoritmo di classificazione si è dovuto bilanciare il dataset

basandosi sulla numerosità dei 4 stage. Lo stage 2 infatti presentava una numerosità

nettamente più elevata rispetto ai segmenti in WAKE e questo sbilanciamento avrebbe

potuto causare problemi nella classificazione. Inoltre sono stati eseguiti diversi cicli sullo

stesso dataset randomizzandolo ad ogni iterata.

Prima di lanciare il classificatore sono state fatte delle considerazioni sul dataset per

cercare quale fosse la tecnica migliore di classificazione e capire se ci fossero delle

features con una capacità discriminante migliore rispetto ad altre. Si è utilizzato un training

set pari all’80% della lunghezza totale del dataset.

A partire dagli 8 parametri spettrali si è eliminato quello relativo alla Potenza totale dal

momento che, come già osservato, la varianza dell’errore di predizione in caso di

correzione dei poli può presentare valori che si discostano molto dal suo reale andamento

influenzando la bontà del contenuto informativo di questa features.

Sono state eseguite delle classificazioni basandosi su tutte le permutazioni possibili tra le 7

features rimanenti per un totale di 125 combinazioni ed è stata valutata la bontà della

classificazione secondo discriminante lineare per ogni permutazione tra features applicata a

diversi set di training/testing.

Ogni permutazione è stata testata su diverse combinazioni di dataset: per esempio si è

chiesto al classificatore di trovare la migliore permutazione di features che discriminasse lo

stage 1 rispetto al 2 e il 3.

Le performance del classificatore in questo caso sono state valutate con il K di Cohen. In

Figura 21 sono mostrati le diverse classi che si è voluto discriminare tra di loro utilizzando

tutte le permutazioni tra features (in ascissa). In questo caso si nota che la migliore

performance (K = 0.2845) è data dalla permutazione 114 a cui corrisponde la

combinazione delle features 2, 3, 4, 5, e 6; rispettivamente: LF, HF, LF/HF,

HFPoleModule, LFn.




Figura 21: Cohen's K per ogni confronto tra stage e per ogni permutazione tra descrittori

La Figura 22 mostra il test effettuato su tutti gli accoppiamento possibili tra stage ed

evidenzia come le performance migliori si ottengano con il confronto tra stage 1 e 3.

Da questi tracciati si può vedere come non ci siano grandi differenze di prestazione

cambiando le features, si è quindi deciso di passare al classificatore tutti gli indicatori (ad

eccezione della Total Power come già detto).

0 20 40 60 80 100 120 140-0.1

0

0.1

0.2

0.3

0.4

0.5

0.6

Numero Permtazione

K C

ohen

K Cohen testato con tutte le permutazioni di features

1Vs2

1Vs3

1Vs5

2Vs3

2Vs5

3Vs5




Figura 22: Cohen's K tra accorpamenti di stage e per ogni permutazione tra descrittori

Sulla base di queste considerazioni sono stati lanciati il classificatore lineare e le reti

neurali ottenendo i risultati riportati in seguito.

0 20 40 60 80 100 120 1400

0.05

0.1

0.15

0.2

0.25

0.3

0.35

Numero Permutazione

K C

ohen

K Cohen testato su tutte perfmutazioni di fetaures su 4 classi

1Vs2Vs3Vs5

[1 2] Vs [3 5]

[1 3] Vs [2 5]

[1 5] Vs [2 3]




6. Risultati

I risultati della classificazione sono stati valutati in base a 4 indicatori: Precision (PPV),

Recall (TPR), Accuracy, Cohen’s Kappa.

La Precision è calcolata come il numero di veri positivi rispetto alla somma di tutti gli

elementi classificati positivamente. La Recall è definita come il numero dei veri positivi

calcolata rispetto al numero di elementi che effettivamente sono da classificare come

positivi.

Il valore di accuratezza è un indicatore che indica il grado di scostamento della

classificazione fatta rispetto ai dati reali mentre il Cohen’s Kappa è un indicatore che può

variare tra -1 e 1 utile per comprendere l’affidabilità dei riconoscimenti.

Si riportano di seguito i risultati ottenuti in riferimento a 4 diverse classificazioni su diversi

raggruppamenti in classi del training e testing set eseguiti tutti sia con discriminante lineare

(LD) che con l’uso di reti neurali (N NET).

Nel primo caso (Tabella 6) si è classificato senza fare accorpamenti tra stage. A seguire

verranno provate delle classificazioni accorpando diverse combinazioni tra stage (Tabella

7, Tabella 8, Tabella 9).

Tabella 6: [Stage 1] Vs [Stage 2] Vs [Stage 3] Vs [Stage 4].

feat30sec

LD

Class 1 2 3 5

Precision 0,3558 ± 0,0178 0,3296 ± 0,0026 0,4469 ± 0,0133 0,3408 ± 0,016

Recall 0,4149 ± 0,0229 0,3396 ± 0,0122 0,5537 ± 0,026 0,1925 ± 0,01




Kappa 0,1669 ± 0,0046

Accuracy 0,3752 ± 0,0035

N NET

Class 1 2 3 5

Precision 0,4862 ± 0,0163 0,4299 ± 0,0249 0,5310 ± 0,0184 0,4354 ± 0,0137

Recall 0,4909 ± 0,0261 0,1817 ± 0,0270 0,7036 ± 0,0247 0,5366 ± 0,0199

Kappa 0,3043 ± 0,0099

Accuracy 0,4782 ± 0,0074

feat90camp

LD

Class 1 2 3 5

Precision 0,3523 ± 0,0183 0,3320 ± 0,0201 0,5229 ± 0,0257 0,3997 ± 0,0264

Recall 0,2328 ± 0,0105 0,3752 ± 0,0357 0,5812 ± 0,0105 0,4372 ± 0,0151

Kappa 0,2088 ± 0,0203

Accuracy 0,4066 ± 0,0152

N NET

Class 1 2 3 5

Precision 0,3615 ± 0,0216 0,3282 ± 0,0135 0,5277 ± 0,0195 0,4066 ± 0,0223

Recall 0,3189 ± 0,0544 0,2462 ± 0,0449 0,6817 ± 0,0274 0,4355 ± 0,0443

Kappa 0,2275 ± 0,0145

Accuracy 0,4206 ± 0,0109

feat150camp

LD

Class 1 2 3 5

Precision 0,400 ± 0,0613 0,3618 ± 0,0275 0,5266 ± 0,0114 0,3992 ± 0,0199

Recall 0,3004 ± 0,0152 0,4035 ± 0,0137 0,5680 ± 0,0152 0,4145 ± 0,0668

Kappa 0,2288 ± 0,0228

Accuracy 0,4261 ± 0,0171

N NET

Class 1 2 3 5

Precision 0,3700 ± 0,0420 0,3969 ± 0,0386 0,5399 ± 0,0195 0,3945 ± 0,0298

Recall 0,2860 ± 0,07400 0,2952 ± 0,0679 0,6811 ± 0,0256 0,4741 ± 0,0748

Kappa 0,2455 ± 0,0151

Accuracy 0,4341 ± 0,0113




Tabella 7: [Stage 1; Stage 5] Vs [Stage 2; Stage 3]

feat30sec

LD

Class [1,5] [2,3]

Precision 0,6286 ± 0,0077 0,6210 ± 0,0057

Recall 0,6096 ± 0,0049 0,6398 ± 0,0103

Kappa 0,2493 ± 0,0131

Accuracy 0,6247 ± 0,0066

N NET

Class [1,5] [2,3]

Precision 0,6514 ± 0,0110 0,6613 ± 0,0095

Recall 0,6722 ± 0,0086 0,6401 ± 0,0150

Kappa 0,3123 ± 0,0203

Accuracy 0,6561 ± 0,0102

feat90camp

LD

Class [1,5] [2,3]

Precision 0,6440 ± 0,0164 0,6313 ± 0,0121

Recall 0,6140 ± 0,0451 0,6591 ± 0,0474

Kappa 0,2731 ± 0,0103

Accuracy 0,6366 ± 0,0052

N NET

Class [1,5] [2,3]

Precision 0,6466 ± 0,0195 0,6628 ± 0,0282

Recall 0,6787 ± 0,0657 0,6226 ± 0,0653

Kappa 0,3013 ± 0,0189

Accuracy 0,6506 ± 0,0095

feat150camp

LD

Class [1,5] [2,3]

Precision 0,6473 ± 0,0243 0,6456 ± 0,0233

Recall 0,6435 ± 0,0280 0,6493 ± 0,0277

Kappa 0,2928 ± 0,0466

Accuracy 0,6464 ± 0,0233

N NET

Class [1,5] [2,3]

Precision 0,6436 ± 0,0166 0,6709 ± 0,0354

Recall 0,6939 ± 0,0598 0,6139 ± 0,0555




Kappa 0,3078 ± 0,0265

Accuracy 0,6539 ± 0,0132

Tabella 8: [Stage 1] Vs [Stage 3] Vs [Stage 5]

feat30sec

LD

Class 1 3 5

Precision 0,4496 ± 0,0113 0,5844 ± 0,0109 0,4745 ± 0,0039

Recall 0,4520 ± 0,0305 0,7360 ± 0,0086 0,3492 ± 0,0199

Kappa 0,2686 ± 0,0123

Accuracy 0,5124 ± 0,0082

NET

Class 1 3 5

Precision 0,6270 ± 0,0177 0,6798 ± 0,0127 0,5859 ± 0,0233

Recall 0,5367 ± 0,0252 0,7513 ± 0,0126 0,6074 ± 0,0227

Kappa 0,4477 ± 0,0191

Accuracy 0,6318 ± 0,0127

feat90camp

LD

Class 1 3 5

Precision 0,4496 ± 0,0113 0,5844 ± 0,0109 0,4745 ± 0,0039

Recall 0,4520 ± 0,0305 0,7360 ± 0,0086 0,3492 ± 0,0199

Kappa 0,2686 ± 0,0123

Accuracy 0,5124 ± 0,0082

NET

Class 1 3 5

Precision 0,6270 ± 0,0177 0,6798 ± 0,0127 0,5859 ± 0,0233

Recall 0,5367 ± 0,0252 0,7513 ± 0,0126 0,6074 ± 0,0227

Kappa 0,4477 ± 0,0191

Accuracy 0,6318 ± 0,0127

feat150camp

LD

Class 1 3 5

Precision 0,4793 ± 0,0282 0,6314 ± 0,0208 0,4811 ± 0,0221

Recall 0,4057 ± 0,107 0,7522 ± 0,0266 0,4649 ± 0,0448

Kappa 0,3114 ± 0,0214

Accuracy 0,5409 ± 0,0143




NET

Class 1 3 5

Precision 0,4691 ± 0,0277 0,6926 ± 0,0312 0,4818 ± 0,0238

Recall 0,4281 ± 0,0878 0,7575 ± 0,0286 0,4728 ± 0,0885

Kappa 0,3292 ± 0,0196

Accuracy 0,5528 ± 0,0131

Tabella 9: [Stage 3] Vs [Stage 1; Stage 2; Stage 5]

feat30

LD

Class 3 [1,2,5]

Precision 0,6873 ± 0,0052 0,7167 ± 0,0084

Recall 0,7372 ± 0,0103 0,6646 ± 0,0063

Kappa 0,4018± 0,0125

Accuracy 0,7009 ± 0,0062

N NET

Class 3 [1,2,5]

Precision 0,7401± 0,0142 0,7791 ± 0,0219

Recall 0,7952 ± 0,0254 0,7206 ± 0,0187

Kappa 0,5158± 0,031

Accuracy 0,7579 ± 0,0155

feat90

LD

Class 3 [1,2,5]

Precision 0,7433 ± 0,0251 0,7600 ± 0,0224

Recall 0,7672 ± 0,0364 0,7337 ± 0,0429

Kappa 0,5008 ± 0,0277

Accuracy 0,7504 ± 0,0138

N NET

Class 3 [1,2,5]

Precision 0,7258 ± 0,0199 0,7470 ± 0,0324

Recall 0,7548 ± 0,0572 0,7126 ± 0,0465

Kappa 0,4673 ± 0,0229

Accuracy 0,7337 ± 0,0115




feat150

LD

Class 3 [1,2,5]

Precision 0,7128 ± 0,0192 0,7714 ± 0,0253

Recall 0,7982 ± 0,0325 0,6776 ± 0,0348

Kappa 0,4759 ± 0,0311

Accuracy 0,7379 ± 0,0155

N NET

Class 3 [1,2,5]

Precision 0,7264 ± 0,0262 0,7402 ± 0,0296

Recall 0,7461 ± 0,0445 0,7171 ± 0,0454

Kappa 0,4362 ± 0,0376

Accuracy 0,7316 ± 0,0188

Osservando la Tabella 6 si nota come non sia possibile compiere una classificazione

passando al classificatore tutti e 4 gli stage del train set: i risultati in questo caso sono

buoni unicamente per la Precision dello stage 3 classificato con reti neurali ma comunque

lontani da delle buone performance di classificazione. Il Recall dello stage 3 ha sempre

valori maggiori rispetto a quelli calcolati sugli altri stati ma anche in questo caso sono

valori non sufficienti.

Partendo da queste assunzioni sono state fatte altre classificazioni provando ad accorpare

alcuni stage in un’unica classe. Il primo tentativo è stato fatto unendo rispettivamente

WAKE con REM e i due stage di NREM (Tabella 7).

In questo caso si riesce ad avere una discriminazione migliore. I migliori indicatori sono

ottenuti con le reti neurali e il discriminante lineare è leggermente migliore quando

applicato ai dataset segmentati rispetto a quello a finestratura. La Precision più alta è

ottenuta con la finestratura fissa mediante rete neurale per lo stage 1 e 5 (PPVNET30 =

0.6514 ± 0.0110).

Il Cohen’s Kappa mostra un buon valore nel caso di uso di rete neurale su dataset a

finestratura (KNET30 = 0.3123 ± 0.0203).

Osservando invece la Tabella 8 e la Tabella 9 si nota la buona discriminazione ottenuta per

lo Stage 3 soprattutto nel caso di uso di reti neurali.




Effettuando il confronto tra stage 3 rispetto a tutti gli altri si ottengono dei risultati molto

buoni (Tabella 9) sia con la segmentazione che con la finestratura.

Il fatto che lo Stage 3 sia sempre quello meglio discriminato è in linea con i risultati

raccolti in bibliografia; la difficoltà maggiore è quella di distinguere il WAKE dal REM.

Partendo dai buoni risultati ottenuti nella discriminazione dello Stage 3 si è provato con un

secondo algoritmo a compiere delle classificazioni sugli altri 3 stage rimanenti. I migliori

risultati ottenuti sono quelli che prevedono l’accorpamento degli stage 2 e 5 da

discriminare rispetto allo stage 1.

In Tabella 10 vengono riportati i risultati di questa operazione:

Tabella 10: [Stage 1] Vs [Stage 2; Stage 5]

feat30sec

LD

Class 1 [2,5]

Precision 0,6212 ± 0,0020 0,6210 ± 0,0005

Recall 0,6206 ± 0,0037 0,3217 ± 0,0054

Kappa 0,2422 ± 0,002

Accuracy 0,6211 ± 0,001

N NET

Class 1 [2,5]

Precision 0,6730 ± 0,0149 0,6526 ± 0,0123

Recall 0,6308 ± 0,0209 0,6931 ± 0,0217

Kappa 0,3240 ± 0,0241

Accuracy 0,6620 ± 0,0120

feat90camp

LD

Class 1 [2,5]

Precision 0,5850 ± 0,0235 0,5814 ± 0,0210

Recall 0,5726 ± 0,0324 0,5934 ± 0,0355

Kappa 0,166 ± 0,0439

Accuracy 0,5830 ± 0,0220

N NET

Class 1 [2,5]

Precision 0,5747 ± 0,021 0,5741 ± 0,0235

Recall 0,5679 ± 0,0891 0,5770 ± 0,081

Kappa 0,1450 ± 0,0369




Accuracy 0,5725 ± 0,0185

feat150camp

LD

Class 1 [2,5]

Precision 0,5716 ± 0,0073 0,5640 ± 0,0089

Recall 0,5386 ± 0,0243 0,5965 ± 0,0161

Kappa 0,1315 ± 0,0161

Accuracy 0,5675 ± 0,008

N NET

Class 1 [2,5]

Precision 0,5790 ± 0,0158 0,5737 ± 0,0086

Recall 0,5618 ± 0,0427 0,5895 ± 0,0514

Kappa 0,1512 ± 0,0189

Accuracy 0,5756 ± 0,0095

Con questo metodo si è anche provato ad effettuare la classificazione riportata in Tabella

11 dove si confronta lo stage 2 con l’accorpamento degli stage 1 e 5:

Tabella 11: [Stage 2] Vs [Stage 1; Stage 5]

feat30sec

LD

Class 2 [1,5]

Precision 0,5983 ± 0,0014 0,6069 ± 0,0037

Recall 0,6235 ± 0,0085 0,5184 ± 0,0047

Kappa 0,2048 ± 0,0047

Accuracy 0,6024 ± 0,0024

N NET

Class 2 [1,5]

Precision 0,6364 ± 0,0097 0,6311 ± 0,0106

Recall 0,6236 ± 0,0164 0,6436 ± 0,0128

Kappa 0,2672 ± 0,0193

Accuracy 0,6336 ± 0,0097

feat90camp

LD

Class 2 [1,5]

Precision 0,6187 ± 0,0109 0,6275 ± 0,0037




Recall 0,6411 ± 0,0256 0,6042 ± 0,0346

Kappa 0,2453 ± 0,0094

Accuracy 0,6226 ± 0,0047

N NET

Class 2 [1,5]

Precision 0,6286 ± 0,0239 0,6183 ± 0,0155

Recall 0,6029 ± 0,0559 0,6425 ± 0,0616

Kappa 0,2433 ± 0,0252

Accuracy 0,6217 ± 0,0126

feat150camp

LD

Class 2 [1,5]

Precision 0,6122 ± 0,0140 0,6263 ± 0,0166

Recall 0,6483 ± 0,0189 0,5894 ± 0,0160

Kappa 0,2377 ± 0,0303

Accuracy 0,6188 ± 0,0151

N NET

Class 2 [1,5]

Precision 0,6277 ± 0,0180 0,6174 ± 0,0127

Recall 0,6021 ± 0,0339 0,6415 ± 0,0402

Kappa 0,2437 ± 0,0265

Accuracy 0,6218 ± 0,0132

In questo caso però i risultati sono peggiori rispetto alla Tabella 10.

Osservando la Tabella 10 si osserva che la migliore discriminazione è ottenuta usando il

dataset a finestratura fissa. Con le reti neurali si ottengo invece dei buoni risultati sia in

termini di Precision (PPVNET30 = 0.6730 ± 0.0149) e Recall (TPRNET30= 0.6308± 0.0209)

che per il Kappa di Cohen (KNET30 = 0.3240 ± 0.0241) e l’accuratezza (ACCNET30 = 0.6220

± 0.0120)

Il terzo algoritmo ha previsto una classificazione a stadi successivi. In particolare

l’algoritmo parte dalla buona discriminazione ottenuta per lo stage 3 (vedi Tabella 9) e lo

confronta rispetto a tutti gli altri nel primo stadio. Dopodiché dal testing set vengono

rimosse tutte le classificazioni considerate positive e si esegue un nuovo stadio di

classificazione discriminando uno stadio contro tutti gli altri. Il ciclo di classificazione è

ripetuto fino ad esaurire gli stage mantenendo sempre lo stesso training set e riducendo ad




ogni stadio il testing set. L’addestramento della rete neurale è effettuato ad ogni stadio di

ogni rete.

In Figura 23 viene mostrato il processo di classificazione a stadi per il quale sono state

usate solo le reti neurali e il dataset a finestratura fissa simulando ogni combinazione tra

stage successivi al terzo.

Figura 23: Schema di esecuzione della classificazione a stadi per le tre reti

L’algoritmo è replicato fino ad aver classificato tutti e 4 gli stadi per ogni combinazione di

ordine tra stage.

I risultati sono riportati in Tabella 12:

Tabella 12: Risultati classificazione a stadi



Precision 0,6421 ± 0,0214 0,6512 ± 0,0481 0,6840 ± 0,0224 0,3119 ± 0,0051

Recall 0,2387 ± 0,0390 0,0552 ± 0,0160 0,4646 ± 0,0415 0,8943 ± 0,0189

Kappa 0,2166 ± 0,0126

Classificatore: Stage 3

Vs [Stage 1; Stage 2;

Stage 5]

Classificatore 1.b: Stage 1

Vs [Stage 2; Stage 5]

Classificatore 1.c: Stage 2

Vs

Stage 5




Vs Stage 5




Vs Stage 2




Accuracy 0,4152 ± 0,0094


Precision 0,604 ± 0,0260 0,6448 ± 0,0497 0,6840 ± 0,0224 0,3135 ± 0,0057

Recall 0,2944 ± 0,0323 0,604 ± 0,0155 0,4646 ± 0,0415 0,889 ± 0,0164

Kappa 0,2213 ± 0,0159

Accuracy 0,4159 ± 0,0119


Precision 0,6374 ± 0,0319 0,2874 ± 0,0064 0,6840 ± 0,0224 0,5869 ± 0,0334

Recall 0,2505 ± 0,0250 0,7631 ± 0,0177 0,4646 ± 0,0415 0,1587 ± 0,0292

Kappa 0,2123 ± 0,0132

Accuracy 0,4092 ± 0,009

A seconda di quale sia il Classificatore a stadi si hanno risultati diversi.

Nel caso dei primi due Classificatori a stadi si riesce ad ottenere una buona

discriminazione in termini di Precision sugli stage 1 e 2 ma quello corrispondente al REM

(stage 5) non è ben classificato. Al contrario, i valori di Recall sullo stage 5 sono molto

buoni.

I valori di K su tutti e tre in Classificatori a stadi sono comparabili tra di loro e sono indice

di una discreta concordanza tra i dati.

Quest’ultimo algoritmo rappresenta la classificazione migliore rispetto a tutte quelle

eseguite dato che è stata compiuta una classificazione a stadi proprio sulla base delle

performance degli algoritmi precedenti. La seconda Classificazione può essere considerata

quella più performante ed è quella che discrimina in successione NREM 3-4, NREM 1-2,

WAKE, REM.




7. Conclusioni e sviluppi futuri

Osservando tutte le classificazioni si nota che le performance migliori sono ottenute con

l’uso di reti neurali: nonostante i Kappa di Cohen siano lievemente migliori nel caso di

discriminazione lineare non si può considerare la differenza sostanziale. Al contrario i

termini di Recall e Precision sono significativamente migliori con le reti neurali. Questo

suggerisce che con questa tecnica di classificazione si riescano ad intercettare delle

caratteristiche non lineari che al discriminante lineare sfuggono.

Dopo aver progettato 3 algoritmi di classificazione si è capito che non esiste un algoritmo

migliori di altri: le perfomance di ognuno sono buone sotto profili differenti. Nonostante

questo si è potuto individuare per ogni algoritmo quale sia la suddivisione tra stage da

effettuare al dataset per ottenere un miglior potere discriminante. A seconda dell’algoritmo

utilizzato quindi si è definito quale tipo di classificazione può essere effettuata e con quale

grado di prestazione. Al termine del lavoro si è potuto concludere che la migliore

classificazione avviene utilizzando il secondo tipo di classificazione a stadi.

Riguardo la valutazione delle perfomance tra le tecniche di generazione del dataset

(segmentazione e finestratura) si è notato che i valori degli indicatori rimangono

comparabili in tutti gli algoritmi e le tecniche di generazione delle features utilizzate. Sia

con il discriminante lineare che con le reti neurali non si è registrato un significativo

scostamento dei risultati; questo indica che la tecnica di segmentazione adattativa è una

strada percorribile per la stadiazione del sonno e le features generate non penalizzano la

qualità della classificazione. In linea di principio la segmentazione dovrebbe riprodurre

meglio le caratteristiche tempo varianti delle fasi del sonno; per questo motivo si pensa che

si possa proseguire con le tecniche di segmentazione dell’ECG provando a migliorare la

procedura presentata in questa tesi. Per esempio si potrebbero modificare i parametri




interni dell’algoritmo relativi al criterio di scelta della lunghezza della finestra N o quello

per l’impostazione della threshold 1 che ha creato molti problemi nell’impostazione del

problema dato che il valore del SEM ha delle oscillazioni infinitesime e difficili da

controllare visivamente. Inoltre si potrebbe rivedere il criterio di arresto delle iterazioni

sulla ricerca della soglia ottima che in questa tesi è stato imposto a 500 iterate massime

solo per ridurre il tempo macchina.

In alternativa si propone di fondare la segmentazione su un criterio diverso dal parametro

SEM proprio per via delle difficoltà nel controllarne l’andamento.

Dal punto di vista del classificatore si potrebbe provare ad affiancare all’utilizzo delle reti

neurali le tecniche di support vector machines vista la loro propensione a gestire problemi

di grande dimensione e la possibilità di compiere separazioni non-lineari.

Per quanto riguarda le features estratte e poi passate al classificatore si potrebbe cercare un

metodo alternativo a quello utilizzato per testare quale sia la migliore permutazione tra

features da passare al classificatore.

Oltre a questo si ricorda che la creazione del tracciato RR è stata effettuata impostando

manualmente la soglia per ogni tracciato e questo potrebbe aver generato degli errori che si

sono ripercossi lungo tutto lo svolgimento del lavoro. Si suggerisce per gli sviluppi futuri

l’utilizzo di un algoritmo di Pan-Tompkins a soglia adattativa.




8. Bibliografia

[1] –Rosenthal: “Physiology and neurochemistry of sleep”, American Journal of

Pharmaceutical Education, 62, 1998;

[2] – Sejnowski, Destexe: “Why do we sleep?”, Brain Research 883, 2000;

[3] – Leger: “The cost of sleep-related accidents: a report for the national commission on

sleep disorder research”Unité de Sommeil de l’Hôtel-Dieu, Paris, 1995;

[4] – Dinges: “An overview of sleepiness and accidents”, J Sleep Res, 1995;

[5] – Terman, Hocking: “The sleep of school children: its distribution according to age and

its relation to physical and mental efficiency”, J Educational Psychol, 1913;

[6] – Ferrara, De Gennaro: “How much sleep do we need?”, Sleep Medicine Review,

Vol.5, 2001;




[7] – Bianchi, Villantieri, Mendez: “Signal processing and feature extraction for sleep

evaluation in wearable devices”, Engineering in Medicine and Biology Society,

2006;

[8] – Scholz, Bianchi, Cerutti: “Monitoring of the vegetative background of sleep by

means of spectral analysis of heart rate variability”, Computers in Cardiology, 1993;

[9] – M. Kortaleinen, Mendez, Bianchi, Matteucci, Cerutti: “Sleep Staging Based on

Signals Acquired Throught Bed Sensor” IEE Transaction on Information Technology

in Biomedicine, Vol 14, n° 3, May 2010;

[10] –Rechtschaffen A. and Kales A. “A manual of standardized terminology, tecniques

and scoring system for sleep stages in human subject”. National Instututes of Health

Publications 1968;

[11] – Iber, Ancoli-Israel, Chesson, Quan: “The AASM manual for the scoring of sleep

and associated events: rules, terminology, and technical specifications”, 2007;

[12] – Pan and Tompkins: “A real-time QRS detection algorithm”, Biomedical

Engineering, IEEE Transaction on, 1985;

[13] – Electrophysiology,Task Force of the European Society of Cardiology the North

American Society of Pacing, "Heart Rate Variability : Standards of Measurement,

Physiological Interpretation, and Clinical Use," Circulation, March 01, 1996;




[14] – Berlad, Shlitner, Ben-Haim, Lavie: “Power Spectrum Analysis and Heart Rate

Variability in Stage 4 and REM Sleep: evidence for state specific changes in

autonomic dominance”, Journal of Sleep Research, 1993;

[15] – Toscani, Gangemi, Parigi, Silipo, Ragghinati, Sirabella, Morelli, Bagnoli,

Vergassola, Zaccara: “Human Heart Rate Variability and Sleep Stages”, The Italian

Journal of Neurological Sciences, 1996;

[16] – Xi Long, Fonseca, Haakma, Aarts, Foussier: “Time-Frequency Analysis of Heart

Rate Variability for Sleep and Wake Classification”, Preoceedings of the 2012 IEEE

12th

International Conference on Bioinformatics & Bioengineering, Cyprus 2012;

[17] – Devot, Dratwa, Naujokat: “Sleep/Wake detection on cardiorespiratory signals and

actigraphy”, 32nd

Annual International Conference of the IEEE EMBS, Buenos Aires

2010;

[18] – Méndez, Bianchi, Villantieri, Cerutti: “Time-varying Analysis of the Heart Rate

Variability during REM and Non REM Sleep Stage”, Proceedings of the 28th

IEEE

EMBS Annual International Conference, New Yotk City, 2006;

[19] – Tacchino, Mariani, Migliorini, Bianchi: “Optimization of Time-Variant

Autoregressive Models for Tracking REM – non REM Transitons During Sleep”,

34th

Annual Conference of ther IEEE EMBS San Diego, 2012;




[20] – Mariani, Grassi, Mendez, Milioli, Parrino, Terzano, Bianchi: “EEG Segmentation

for Improving Automatic CAP Detection”, Clinical Neurophysiology 124, 2013;

[21] – Bodenstein, Praetorius: “Feature Extraction from the Electroencephalogram by

Adaptive Segmentation”, Proceedings of the IEEE vol. 65, May 1977;

[22] –Kuna, Samuel, SafwanBadr, Kimoff, CleteKushida et al: “An Official

ATS/AASM/ACCP/ERS Workshop Report: Research Priorities in Ambulatory

Management of Adults with Obstructive Sleep Apnea”, Proceedings of the American

Thoracic Society 8, no. 1 (March 2011): 1–16. doi:10.1513/pats.2009-042WS;

[23] – Goldberger, Amaral, Glass, Hausdorff, Ivanov, et al and PhysioNet: Components of

a New Research Resource for Complex Physiologic Signals. Cicrculation 101 (23):

e215-e220;

[24] – Terzano, Parrino, Sherieri, Chervin, Chokroverty et al.: “Atlas, rules and recording

techniques for the scorinf of cyclig alternating pattern (CAP) in human sleep”, Sleep

Med;

[25] – St. Vincent’s University Hospital / University College Dublin Sleep Apnea

Database;

[26] – Mendez, Matteucci, Cerutti, Aletti, Bianchi: “Sleep Staging Classification Based on

HRV: Time-Variant Analysis”, 31st Annual International Confernce of the IEEE

EMB Minneapolis, 2009;




[27] –Peter Achermann: “EEG analysis applied to sleep”, Epieptologie, 2009;

[28] – Mitler, Carskadon, Czeisler, Dement,Dringes, et al: “Catastrophes, sleep, and public

policy: consensus report”. Sleep 1988;

[29] – http://sciencereview.berkeley.edu/article/perchance-to-dream/

[30] – http://sciblogs.co.nz/sleep-on-it/2011/03/23/measuring-sleep-the-

squiggles-explained-part-1/

http://sciencereview.berkeley.edu/article/perchance-to-dream/

VALUTAZIONE COMPARATIVA TRA METODI DI ......Valutazione comparativa tra metodi di segmentazione...

Documents

Transcript of VALUTAZIONE COMPARATIVA TRA METODI DI ......Valutazione comparativa tra metodi di segmentazione...