畳み込みニューラルネットワークを使用して睡眠時無呼吸の疑いがある患者における前の夜の脳波、電気式、および筋電図分光器で昼間の眠気を推定する

閉塞性睡眠時無呼吸（OSA）の一般的な症状は、過度の昼間の眠気（EDS）です。EDSのゴールドスタンダードテストは、複数のスリープレイテンシテスト（MSLT）です。ただし、コストが高いため、MSLTはOSA患者に対して日常的に実施されておらず、代わりにEDSは睡眠アンケートを使用して評価されます。ただし、睡眠アンケートは主観的であり、MSLTとの相関が不十分なため、これには問題があります。したがって、EDの信頼できる評価には、新しい客観的なツールが必要です。この研究の目的は、EDSが以前の夜間のポリムノグラフシグナルのニューラルネットワーク分析で推定できるという仮説をテストすることでした。OSAが疑われる2,014人の患者からの脳波、電気総体、および顎電気造影信号を使用して、畳み込みニューラルネットワーク（CNN）分類器を訓練しました。CNNは、平均睡眠遅延（MSL）に基づいて、患者を4つの眠気カテゴリに分類するように訓練されました。重度（MSL <5min）、中程度（5≤MSL<10）、軽度（10≤MSL<15）、および正常（MSL≥15）。CNNは、患者を4つの眠気カテゴリに分類し、全体的な精度は60.6％、コーエンのカッパ値は0.464です。眠い（MSL <10分）および非睡眠（MSL≥10）患者を備えた2グループ分類スキームでは、CNNは77.2％の精度を達成し、感度は76.5％、特異性は77.9％でした。私たちの結果は、前の夜のポリソムグラフィー信号を少なくとも中程度の精度でEDSの客観的推定に使用できることを示しています。OSAの診断は現在ポリソムノグラフィによって確認されているため、分類器を同時に使用して、最小限のワークロードで昼間の眠気の客観的な推定値を取得できます。

A common symptom of obstructive sleep apnea (OSA) is excessive daytime sleepiness (EDS). The gold standard test for EDS is the multiple sleep latency test (MSLT). However, due to its high cost, MSLT is not routinely conducted for OSA patients and EDS is instead evaluated using sleep questionnaires. This is problematic however, since sleep questionnaires are subjective and correlate poorly with the MSLT. Therefore, new objective tools are needed for reliable evaluation of EDS. The aim of this study was to test our hypothesis that EDS can be estimated with neural network analysis of previous night polysomnographic signals. We trained a convolutional neural network (CNN) classifier using electroencephalography, electrooculography, and chin electromyography signals from 2,014 patients with suspected OSA. The CNN was trained to classify the patients into four sleepiness categories based on their mean sleep latency (MSL); severe (MSL < 5min), moderate (5 ≤ MSL < 10), mild (10 ≤ MSL < 15), and normal (MSL ≥ 15). The CNN classified patients to the four sleepiness categories with an overall accuracy of 60.6% and Cohen's kappa value of 0.464. In two-group classification scheme with sleepy (MSL < 10 min) and non-sleepy (MSL ≥ 10) patients, the CNN achieved an accuracy of 77.2%, with sensitivity of 76.5%, and specificity of 77.9%. Our results show that previous night's polysomnographic signals can be used for objective estimation of EDS with at least moderate accuracy. Since the diagnosis of OSA is currently confirmed by polysomnography, the classifier could be used simultaneously to get an objective estimate of the daytime sleepiness with minimal extra workload.