新規検出アルゴリズムを使用したヒト睡眠脳波における振動パターンの分析

睡眠中の異なる脳状態は、紡錘体やデルタ波などの異なる振動パターンの発生によって特徴付けられます。新しいアルゴリズムを使用して、脳波（EEG）の振動イベントを検出し、一晩中の特性と変化を研究しました。現在のアプローチは、EEGは、湿気と周波数が時間が異なると、確率的に駆動される高調波発振器の重ね合わせとして説明される可能性があるという考えに基づいていました。このアイデアは、自動回帰モデルをEEGデータに適合させることによって実装されました。1つ以上の周波数の減衰が事前定義されたしきい値を下回っていたときはいつでも、振動イベントが検出されました。8人の健康な若い男性の睡眠EEGデータを分析しました（被験者ごとに4泊）。振動イベントは、主に3つの周波数範囲で発生しました。これは、古典的に定義されたデルタ（0-4.5 Hz）、アルファ（8-11.5 Hz）、Sigma（11.5-16 Hz）バンドにほぼ対応しています。それらの発生率は、特にアルファイベントに関して、小さなが大きな個人間の違いを示しました。イベントの発生率と頻度は、睡眠段階と非激しい眼球運動（REM）レム睡眠サイクルの特徴でした。デルタとシグマ（スピンドル）イベントの平均イベント頻度は、睡眠の深化とともに減少しました。Delta、Alpha、Sigmaの振動の最初のものと比較して、夜の後半には高かった。このアルゴリズムは、EEGおよび同様の信号の振動パターンを検出および特徴付ける一般的なフレームワークを提供します。

The different brain states during sleep are characterized by the occurrence of distinct oscillatory patterns such as spindles or delta waves. Using a new algorithm to detect oscillatory events in the electroencephalogram (EEG), we studied their properties and changes throughout the night. The present approach was based on the idea that the EEG may be described as a superposition of stochastically driven harmonic oscillators with damping and frequency varying in time. This idea was implemented by fitting autoregressive models to the EEG data. Oscillatory events were detected, whenever the damping of one or more frequencies was below a predefined threshold. Sleep EEG data of eight healthy young males were analyzed (four nights per subject). Oscillatory events occurred mainly in three frequency ranges, which correspond roughly to the classically defined delta (0-4.5 Hz), alpha (8-11.5 Hz) and sigma (11.5-16 Hz) bands. Their incidence showed small intra- but large inter-individual differences, in particular with respect to alpha events. The incidence and frequency of the events was characteristic for sleep stages and non-rapid eye movement (REM)-REM sleep cycles. The mean event frequency of delta and sigma (spindle) events decreased with the deepening of sleep. It was higher in the second half of the night compared with the first one for delta, alpha and sigma oscillations. The algorithm provides a general framework to detect and characterize oscillatory patterns in the EEG and similar signals.