Evaluation of an accessible automatic sleep spindle detector

Abstract

An important component of sleep medicine is assessing a patient’s polysomnogram, which includes sleep staging. The American Academy of Sleep Medicine (AASM) requires that sleep staging must take into account the number of sleep spindles, a short burst of neural oscillatory activity, demonstrating the need for good spindledetection. Currently this is done manually by sleep experts, but it is time consuming, motivating research into the creation of automatic spindle detectors. In this thesis, the sleep spindle detector known as “Yet Another Spindle Algorithm” (YASA) is evaluated, and compared to the spindle detector that it’s based on, known as A7. Furthermore, we put forward three hypotheses to put to the test, the first one being that YASA has similar performance to A7; the second being that YASA performs similarly when analyzing the frontal EEG channels (useful for self-applied somnography) compared to the central channels (the channels typically used for spindle detection); and the third hypothesis being that YASA performs better when analyzing N2 sleep data, compared to sleep data from other parts of the night.The results show that YASA performs similarly as A7, with F1-scores of 0.69 and 0.70, respectively. YASA performs similarly when analyzing frontal channels and central channels, with F1-scores of 0.61, and 0.62, respectively. However the recall is a bit higher when analyzing central channels compared to frontal channels (0.74 vs 0.64, respectively), and the precision is a bit higher for frontal compared to central (0.58 vs 0.53, respectively). As we hypothesized, YASA does perform better on N2 sleep data compared to other stages (F1: 0.69 vs 0.42, respectively).

Mikilvægur partur svefnrannsókna er að meta svefnmælingu sjúklings, í þessu felst skorun svefnstiga. Samkvæmt American Academy of Sleep Medicine (AASM) þarf að mæla fjölda svefnsnælda, mynstur sem framkallast við ákveðin taugaboð í heila, til þess að geta framkvæmt svefnskorun. Þetta sýnir okkur að það er mikilvægt að hafa aðferð sem getur greint svefnsnældur. Þetta hefur verið gert handvirkt af svefnsérfræðingum, en þetta er tímafrekt; sem hefur leitt til þess að sjálfvirkar aðferðir til að greina svefnsnældur hafa verið þróaðar.Í þessari ritgerð metum við sjálfvirku aðferðina „Yet Another Spindle Algorithm“ (YASA), með svipuðum hætti og var beitt á sjálfvirku aðferðina A7, sem YASA er byggt á. Við setjum fram þrjár tilgátur til að sannreyna, sú fyrsta er sú að YASA nær svipaðri virkni og A7; önnur tilgátan er að YASA nær svipaðri virkni þegar skoðað er framheila EEG rásir (sem notað er í nýlegri svefnmæliaðferð sem kallast Self-applied somnography) miðað við miðheila EEG rásir (hefðbundna leiðin); og þriðja og síðasta tilgátan er sú að YASA nær betri virkni þegar greint er N2 svefn, miðað við önnur svefnstig.Niðurstöður sýna að YASA nær sambærilegri virkni og A7, með F1-stuðla 0.69 og 0.70, hvort um sig. Virknin er svipuð hjá YASA þegar er greint framheilarásir og miðheilarásir, með F1-stuðla 0.61 og 0.62, hvort um sig. Hinsvegar er hlutfall réttra snælda sem YASA finnur (e. recall) aðeins hærra þegar miðheilarásir eru greindar, miðað við framheilarásir, með F1-stuðla 0.74 og 0.64, hlutfall snælda sem YASA finnur sem eru réttar (e. precision) er hærra á framheilarásum miðað við á miðheilarásum (F1-stuðlar: 0.58, 0.53, hvort um sig). YASA nær betri virkni þegar greint er N2 gögn, miðað við önnur svefnstig (F1-stuðlar: 0.69, 0.42, hvort um sig), sem er í samræmi við þriðju tilgátu okkar.