睡眠ポリグラフによる機械学習

Scientific Reports volume 13、記事番号: 9120 (2023) この記事を引用

メトリクスの詳細

日中の過度の眠気（EDS）は、集中力を低下させ、日中に疲労感が続く原因となります。臨床現場では、EDS の評価と診断は主に主観的なアンケートと口頭での報告に依存しているため、臨床診断の信頼性と、利用可能な治療法の候補を確実に識別して治療反応を追跡する能力が損なわれます。この研究では、以前に収集された脳波検査 (EEG) データの自動化、迅速、高スループットかつ客観的な分析に計算パイプラインを使用して、EDS の代替バイオマーカーを特定し、それによってエプワース眠気スケールが高い個人の定量的な脳波変化を定義しました。 (ESS) (n = 31)、クリーブランドクリニックの低 ESS 患者グループ (n = 41) と比較。分析された EEG のエポックは、覚醒の最も近い期間中の大規模な夜間ポリソムノグラムレジストリから抽出されました。 EEG の信号処理により、アルファおよびベータバンドのパワーの増強やデルタおよびシータバンドの減衰など、低 ESS グループと高 ESS グループでは大きく異なる EEG 特徴が示されました。高 ESS と低 ESS の二値分類でトレーニングされた当社の機械学習 (ML) アルゴリズムは、精度 80.2%、適合率 79.2%、再現率 73.8%、特異度 85.3% に達しました。さらに、ML モデルに対するこれらの変数の統計的寄与を評価することにより、交絡する臨床変数の影響を除外しました。これらの結果は、EEG データには、ML を使用した EDS の定量的評価に利用できるリズミカルな活動の形で情報が含まれていることを示しています。

日中の過度の眠気（EDS）は、目を覚ましていることや注意力を維持することが個人にとって進行性の課題である場合に発生します。この状態は、ナルコレプシー、特発性過眠症、睡眠時呼吸障害などの過眠症に固有のものであるだけでなく、代謝性疾患や神経疾患などのさまざまな臨床因子と関連している可能性があり、最終的には日中または夜間の自発的活動の障害につながります1。。 EDS は疲労に関連して重大な社会的関心事となっており、米国では健康関連の生産性の損失として年間 1,350 億ドル以上の損失が生じています2。経済的コストに加えて、集中力の低下や聴覚、視覚、その他の刺激に対する脳の反応の低下に対する個人の認識が、効果的な治療を提供するために EDS を特定するのに役立つ非侵襲性バイオマーカーの探索を動機づけています。眠気と中枢神経系（CNS）における絡み合った動態との関連性を探るため、機械学習（ML）を使用したEDSの定量的評価に活用できるリズミカルな活動の形で情報が脳波データに含まれているという仮説を検証しました。。

日中の眠気は中枢神経系に影響を与え、脳の機能とリズムの変化につながります。以前の研究では、精神疲労下での左半球と右半球間の脱同期が報告されており 3、画像データは視床と皮質の間の機能的接続の変化を示唆しています 4。実際、EEG は EDS バイオマーカーの特定、特にポータブル EEG デバイスを使用した運転などの活動中の疲労状態と警戒状態の分類 5 や、運転の反応時間の予測 6 において有望な結果を示しています。クリニックでは、主観的な眠気の症状は、EDS または居眠り傾向を定量化するための最新の自己報告であるエプワース眠気スケール (ESS) によって評価できます。一般に、それは標準治療と高度に相関しています。多重睡眠潜時テストなどの眠気測定7．しかし、現在の診断方法はアンケートと口頭報告に依存しているため、本質的に主観的なもののままです。

この研究では、クリーブランドクリニックの夜間ポリソムノグラムのレジストリから取得した、覚醒しているヒト被験者の安静状態の脳波を記録し、私たちのチームが以前に開発した自動アーティファクト検出アルゴリズムを使用してデータを前処理しました8。 EEG 特徴選択のための統計に基づいたアプローチに従って、低 EDS と高 EDS のバイナリ分類を実行するように ML アルゴリズムをトレーニングしました。さらに、ML バイナリ分類器に対する交絡的な臨床変数の寄与を統計分析して研究を補完します。

私たちは、連続的な夜間のEEG住宅睡眠研究を含む、多様な生理学的データのコレクションであるCleveland Clinic Sleep Registryを活用しました。この生物生理学的リポジトリからのデータは、夜間睡眠ポリグラムまたは夜間分割睡眠研究に焦点を当てたこの研究の目的のために抽出されました。私たちは、重度の過眠症患者と EDS の症状のない患者を捕捉するために、クリーブランドクリニックの分散型睡眠センターの統合イニシアチブから睡眠ポリグラムデータを抽出しました。この作業の分析サンプルとして機能するために、合計 72 人の患者から、ESS が 20 以上で定義される重度の EDS を患う 31 人の患者と、ESS が 5 未満と定義される EDS のない患者 41 人を特定しました。この研究 (#22–135) は、2022 年 2 月 17 日にクリーブランドクリニック治験審査委員会 (IRB) 連邦広範保証 (FWA 00005367) によって免除対象ヒト研究として承認され、インフォームドコンセントの放棄が認められました。

睡眠ポリグラム研究は、Polysmith ソフトウェアバージョン 10 (日本光電) を使用して、米国睡眠医学アカデミー (AASM) ガイドラインに従って実施されました。信号は、標準的な 10 ～ 20 の EEG モンタージュを使用して記録されました。 6 つの参照チャネルのみが分析用に選択されました。一部の被験者では、個々のチャネルが「M1」または「M2」で参照されます。理想的な設定では、奇数のチャネル番号 (脳の左側に位置) は M1 によって参照され、偶数のチャネル番号 (脳の右側に位置) は M2 によって参照されますが、まれに基準の誤動作が発生する場合があります。リファレンスが使用されました。使用されるチャネルは、「F3」、「F4」、「C3」、「C4」、「O1」、および「O2」です。 EEGがスキャンされ、「消灯」と睡眠の最初の段階「N1」の間の連続3分間隔の最もきれいな信号のみが選択されました。これは、この研究の文脈で「覚醒」エポックとして定義される期間です。最もクリーンな信号はアーティファクトの数に基づいています。「消灯」は技術者によって追加されたログイベントで、トラブルシューティングとバイオキャリブレーションが完了し、睡眠研究を記録する準備ができたことを意味します。アウェイクエポックは、エポックの 50% 以上がアルファ周波数アクティビティで構成されることを要求する AASM ガイドラインに準拠しています。

EEG データの前処理、特徴抽出、統計、ML は MATLAB (MathWorks) を使用して実行されました。眠気は覚醒の特徴であるため、睡眠研究前に被験者が起きていたときのEEG記録時間として定義される、安静状態覚醒中のEEGのみが分析されました。

選択された「覚醒」エポックはスコア付けされ、手動で覚醒として選択され、EEG ファイルに電子的に注釈が付けられました。クリーブランドクリニックの睡眠障害研究所で実施された睡眠研究は、米国睡眠医学アカデミーのスコアリングルールを使用して、睡眠と覚醒を含む睡眠段階を手動でスコアリングしました。このステップの後、開発されたアルゴリズムは、睡眠研究の覚醒エポックから自動的に抽出された EEG データに基づいていました。この点で、EEG分析は自動化されるものと考えられました。エポックの 50% 以上がマイクロスリープのないアルファ波活動で構成されていました。 EEG は 200 Hz のサンプリングレートで収集されました。通過帯域周波数 1 Hz のハイパスフィルターと阻止帯域 57.5 ～ 62.5 Hz のノッチフィルターがすべての録音に適用されました。すべてのEEG記録は最初に視覚的に検査され、各チャネルの全体的な信号品質が確認されました。品質が低い、または回復不可能であると考えられるチャネルは研究から除外されました。各チャネルの波形はさらに 1 秒エポックに分割され、事前に検証されたサポートベクターマシン (SVM)8 を使用して各エポックでアーティファクトの存在がテストされました。アーティファクトを含むエポックは除外されました。

各録音の残りのアーティファクトのないエポックから、すべてのチャネルの帯域別 PSD と帯域別位相振幅結合 (PAC) の特徴が抽出されました。帯域別 PSD を作成するために、各チャネルのアーティファクトのないエポックからピリオドグラムが収集され、これらのピリオドグラムが各被験者内の各チャネルで平均化されました。これらの平均ピリオドグラムは、各周波数ビンを 3 ～ 30 Hz のすべてのビンの合計で割ることによって正規化されました。正規化された PSD を使用して、次の 4 つの周波数帯域のそれぞれ内のすべてのビンの平均を取ることで、帯域ごとの PSD を計算しました: デルタ (1 ～ 4 Hz)、シータ (5 ～ 9 Hz)、アルファ (10 ～ 13 Hz) )、ベータ (14 ～ 32 Hz)、および低ガンマ (33 ～ 52 Hz)。これにより、含まれるチャネルごとに 5 つの PSD 特徴が得られました。

Band by Channel PSD は、Band-Wise PSD に似ています。唯一の違いは、チャネルが平均化されないことです。各チャネルは個別に考慮されます。これにより、合計 30 個の特徴 (5 バンド × 6 チャネル) を考慮する必要がありました。

PAC は、変調指数 (MI) 法 9 を使用して計算されました。位相に使用される中心周波数には、2 から 20 までのすべての偶数が含まれます。振幅に使用される中心周波数には、30 から 54 までの 3 の倍数がすべて含まれます。MI は、位相と振幅周波数の各ペア (合計 90 ペア) に対して測定されました。各チャネルには、アーティファクトのないアイオープンエポックが 5 つ以上連続して存在した時点のみが含まれます。これにより、すべての被験者のすべてのチャネルに対して、各行が 1 つの位相中心周波数に対応し、各列が 1 つの振幅中心周波数に対応する 9 × 10 MI 行列が得られました。この MI マトリックスは、次の 4 つの帯域ペアの帯域ごとの PAC に変換されました。デルタ - 低ガンマ、シータ - 低ガンマ、アルファ - 低ガンマ、およびベータ - 低ガンマ。他のバンドごとの PAC は、次の 4 つのバンドペアに対して計算されました: デルタ - 中ガンマ、シータ - 中ガンマ、アルファ - 中ガンマ、およびベータ - 中ガンマ。この変換は、MI マトリックスの適切な領域全体を平均することによって実現されました。これにより、チャネルごとに 4 つの PAC 特徴が得られ、被験者ごとに最大 24 の PAC 特徴 (4 バンドペア × 6 チャネル) が得られました。

バンドワイズコヒーレンスは、特定のペアの両方のチャネルの記録中のアーティファクトのない各エポックからのコヒーレンス (MATLAB 関数 mscohere) を平均することによって、15 の固有のチャネルペアのそれぞれから計算されました。この平均コヒーレンスは、PSD と同じ方法で 5 つのバンドに分割されました。これにより、チャネルペアごとに 5 つのコヒーレンス特徴が得られ、被験者あたり最大 75 のコヒーレンス特徴 (5 バンド × 15 チャネルペア) が得られました。コヒーレンス値は、チャネルの一方または両方にアーティファクトが含まれていたチャネルペアからは計算されませんでした。

我々は、一対の両側 t 検定を使用して、高 ESS グループと低 ESS グループの間で帯域ごとのパワースペクトル密度 (PSD) を比較しました10。両側ウィルコクソン順位和テストを使用して、4 つのバンドペアと 6 つのチャネルのそれぞれについて、2 つのグループからのバンドごとの位相振幅結合 (PAC) を比較しました。 PAC に対してノンパラメトリック統計検定を選択したのは、値が 0 から 1 の間に制限されており、スチューデントの t 検定で必要とされる正規分布に従う可能性が低いためです。統計的有意性は、全体を通じて p 値 < 0.05 で確立されました。個別のテストが実施され、統計テストの目的は主に (帰無仮説のテストではなく) その後の ML 用の特徴の選択であったため、多重比較の調整は行われませんでした 11、12。 2 つ以上の帰無仮説からなる共同帰無仮説による同時家族検定とは異なり、個別検定は 1 つの帰無仮説についての決定を行うために利用されます。各テストでタイプ I エラーが発生する機会は 1 回だけであるため、アルファレベルを下げる必要はありません。

文献では、さらなる調整のために回帰モデルの入力として交絡因子を含めることが一般的ですが、このアプローチは、入力と出力の間の複雑な非線形関係を学習できる ML 分類器には不適切です。したがって、13 で説明されているポストホック分析を実行しました。これは、交絡変数の独立したパフォーマンスと対照的に、トレーニングされた ML 予測自体がターゲット変数を説明できる程度を比較するために、従来の回帰を使用して交絡を制御することを提案しています。

私たちの研究対象集団は全体的に中年（平均年齢 54 歳）で、男性と女性の分布が比較的均等で、人種に基づく多様性（アフリカ系アメリカ人が 34.7%）、軽度の睡眠呼吸障害（無呼吸低呼吸指数 = 13.4）を抱えていました。）。 EDSの程度が高い人は、わずかに若く、女性で、より肥満である可能性が高く、総睡眠時間が長く、N1睡眠段階の割合が低かった。注目すべきことに、事前に指定された設計を反映して、高度の EDS を持つ人の平均 ESS は 21 ± 1 でしたが、対照的に、EDS のない人の平均 ESS は 2 ± 1 でした。詳細な人口統計情報、睡眠の特徴、患者全体の病歴とその後の高 ESS グループと低 ESS グループへの分類を表 1 に示します。

方法で上記にリストされた EEG 特徴のうち、グループ間で大きく異なることが示されたバイナリ分類アルゴリズムをトレーニングするための特徴セットを作成するために 3 つの特徴が選択されました。これらには、デルタバンドとシータバンドの両方のチャネルペア O2 ～ C4 によって生成された帯域コヒーレンスからの 2 つと、PSD のベータバンド用のチャネル O2 が含まれます。

ML のベストプラクティスの最近の傾向 14 に従って、相互検証とグリッド検索戦略を使用して最適なハイパーパラメーターを見つける、いくつかの従来の ML 分類アルゴリズムが検討されました。最良の結果は、k 最近傍アルゴリズム (KNN) から得られました。データ分割がフォールド間で適切に分散されていることを確認するために、k = 5 を使用した層化 K 相互検証を使用して分類器を検証しました。高 ESS グループでは n = 31、低 ESS グループでは n = 41 のデータセット内で、検証のための次の指標: 精度、受信者動作特性曲線下面積 (AUC-ROC)、精度、特異性、再現率。精度は、サンプルの真のラベルと一致するサンプル外の予測ラベルの数を数え、この合計をサンプル数で割ることによって、k 分割相互検証内で計算されました。

デルタ、シータ、アルファ、およびベータのパワーバンドのスペクトル密度は、デルタの増加（0.294 ± 0.010 インチ）を含め、低 ESS グループと比較して高 ESS グループの平均 EEG パワーに統計的に有意な差を示しました（図 1）。高 ESS、低 ESS で 0.239 ± 0.005、p < 0.001)、シータ (高 ESS で 0.208 ± 0.005、低 ESS で 0.181 ± 0.004、p < 0.001)、およびアルファの減少 (高 ESS で 0.260 ± 0.011、0.318)低 ESS で ± 0.007、p < 0.001) およびベータ (高 ESS で 0.087 ± 0.003、低 ESS で 0.112 ± 0.007、p < 0.001)。さらに、個々の 6 チャネルのパワーを分析すると、重大な変化が特定の脳領域に局在していないことが示されました。各EEGチャネルのデルタ、アルファ、ベータのパワーバンドには、低ESSグループと高ESSグループの間で大きな違いが見られました（図2）。

0 ～ 50 Hz の周波数範囲における高 ESS (n=31) および低 ESS (n=41) 被験者のパワースペクトル密度 (6 つの EEG チャネルの平均) (上の行)。デルタ (1 ～ 4 Hz)、シータ (5 ～ 9 Hz)、アルファ (10 ～ 13 Hz)、ベータ (14 ～ 32 Hz)、および低ガンマ (33 ～ 52 Hz) の周波数帯域の平均パワー (下の行) 。

ヒストグラムは、周波数帯域デルタ (1 ～ 4 Hz)、シータ (5 ～ 9 Hz)、アルファ (10 -13 Hz)、ベータ (14 ～ 32 Hz)、および低ガンマ (33 ～ 52 Hz)。ヒートマップは、各バンドの個々のチャネルに対応する t 検定の p 値を示します (赤い色相は p < 0.05 を示し、強調表示されたセルは ML アルゴリズムのトレーニング用に選択された特徴を示します)。

6 つの個別の EEG チャネルにおける位相振幅結合 (PAC) では、低ガンマとデルタ、シータ、アルファ、ベータの間、および中ガンマとデルタ、シータ、アルファ、ベータの間にそれぞれ有意差はありませんでした (図 1)。 3)。

高 ESS (n=31) および低 ESS (n=41) の被験者における 6 つの個別の EEG チャネルにおける位相振幅結合 (PAC) のそれぞれの低ガンマとデルタ、シータ、アルファ、ベータの間 (上段)、および中程度のガンマとデルタ、シータ、アルファ、ベータ (下段)。個々のチャネルのグループ間で統計的に有意な差は認められませんでした。

図 4 では、各周波数帯域にわたる 6 つの個別の EEG チャネルのコヒーレンスを比較しました。高 ESS グループと低 ESS グループ、および一部の個別チャネル (C4 と O2) のコヒーレンスの間には、有意な差が見つかりました。

高 ESS (n=31) および低 ESS (n=41) の被験者における 6 つの個別の EEG チャネルのコヒーレンス。値は 1 つの対角線にわたって対称です (強調表示された 2 つのセルは、ML アルゴリズムのトレーニング用に選択された特徴を示します)。

PSD を Hz ごとに計算しました (図 5)。これは、バンドの代わりに 1 ～ 16 Hz のビンを使用していることを除いて、チャネルごとのバンド (図 2 右下) と似ています。これにより、96 個の特徴 (16 Hz × 6 チャネル) が考慮されることになります。図 2 (ヒートマップ (右下)) では、各周波数ビンにわたる 6 つの個別の EEG チャネルの平均 PSD を比較しました。ベータバンドのチャネル O2 では、高 ESS グループと低 ESS グループの間に有意な差が見つかりました。

ヒートマップは、高 ESS (n=31) および低 ESS (n=41) の被験者における、1 Hz ～ 16 Hz の各周波数ビンにおける個々のチャネルの t 検定 p 値を示します。 (赤色の色相は p<0.05 を示します)。

PSD およびコヒーレンス分析から生成された 3 つの特徴を使用して、高 ESS と低 ESS の k-NN バイナリ分類器をトレーニングしました。私たちのモデルは、精度 80.2%、AUC-ROC 79.5%、適合率 79.2%、再現率 73.8%、特異度 85.3% に達しました。

EEG の所見に影響を与える可能性のある交絡変数の分析では、ML 分類器の予測を潜在的な交絡変数 (年齢、BMI、性別) と比較しました。モデルをトレーニングした後、交差検証の各フォールドで、一般化線形モデルを使用して、3 つのシナリオでテストセットの EDS を予測しました。ML 出力のみを使用する、交絡変数のみを使用する、交絡変数と変数の両方を使用するML出力。 5 つのフォールドの結果を集計するために、平均 Pseudo-R2 と平均 p 値を計算しました。図 6 では、平均 Pseudo-R2 を示していますが、ML は 41% に達し、交絡は 8% にのみ達しました。 ML と交絡変数の両方を組み合わせると、56% に達しました。表 2 は、各変数の同じ 3 つのシナリオの一般化線形回帰からの平均 p 値を示しています。 ML 出力のみを使用した場合 (p 値 < 0.05)、統計的に有意な予測子があることがわかりました。

機械学習予測のみを使用、交絡変数である年齢、BMI、性別のみを使用、機械学習と交絡の両方の組み合わせを使用という 3 つのシナリオの相互検証のテストセットで一般化線形モデルによって計算された平均擬似 R²。

臨床的に、EDS は、閉塞性睡眠時無呼吸症候群 (OSA)、ナルコレプシー、うつ病、新型コロナウイルス感染症の急性後遺症など、EDS の原因と考えられている他の一般的な睡眠障害や気分障害と重複しており、有病率は成人の 20% と推定されています。米国16．これらの原因は通常、患者が睡眠研究を行っている場合でも、集団内で誤診されたり、診断されなかったりします7,17。

EDS の症状を捕捉できる客観的な神経生理学的バイオマーカーを開発するために、いくつかのアプローチが研究されています。たとえば、電車の運転士から収集したEEG信号からESSを予測するために、最小絶対収縮および選択演算子（LASSO）が使用されましたが、成功の程度はさまざまで、統計的アプローチに基づいた私たちの研究と比較してより複雑な計算技術が必要でした。 ML 特徴の選択用18。提案されているもう 1 つの眠気バイオマーカーは、EEG 信号のデルタ、シータ、アルファシグマ、ベータ周波数帯域と、ESS19 との関連から計算されるオッズ比積です。しかし、これまでの研究にも関わらず、EEG を使用した高 ESS または低 ESS の直接分類には、ML アプローチの透明性が欠けています。

この研究では、覚醒時および ML 中の安静状態 EEG を使用して、EDS を低度か高度に正確に分類する自動分析パイプラインの実現可能性を実証します。私たちの結果は、低ESS患者のEEGチャネルにわたる平均パワースペクトルは、高ESS患者と比較して、アルファおよびベータバンドで大幅に強化され、デルタおよびシータバンドで減衰することを示しました。

2 つの患者グループの睡眠 EEG を分析した結果、高い眠気を報告した患者と低い眠気を報告した患者の間で、デルタ、シータ、アルファ、ベータの周波数帯域に大きな違いがあることが特定されました。個人レベルで日中の眠気を推定することを目的として、k-NN 分類器をトレーニングし、精度 80.2%、適合率 79.2%、再現率 73.8%、特異度 85.3% に達しました。したがって、私たちの研究は、EEG分析が日中の過度の眠気のバイオマーカーを生成し、信号処理とMLを使用して個人レベルで眠気を分類できる可能性を示しています。さらに、交絡変数を制御した後でも、ML 予測因子だけで EDS を有意に説明できることを示したとき、これらのバイオマーカーの新規性を強調しました。

これらの結果は、短時間の安静状態の覚醒時脳波には、EDS を確実に評価するために活用できる情報が含まれており、それによって臨床ケアを強化できることを示唆しています。これらの発見は、米国睡眠医学アカデミーに従って睡眠段階を定性的に、そしてより少ない程度では定量的に定義するために脳波パターンを利用するという歴史的標準と、時間のかかる複数の客観的検査による日中の過剰な眠気の症状の評価との文脈で解釈されるべきである。睡眠潜時テスト20。

我々の結果は、ESSが低い被験者は、ESSが高い被験者よりも後頭部のベータ帯におけるEEG活動が高いことを示しています。以前の研究でも、EDS 患者のグループにおけるこれらのバイオマーカー間の有意な違いが強調されています 21。視覚的な課題や注意に関連する神経機構がこれらのバイオマーカーに関連している可能性があると示唆する人もいます。たとえば、実際の教室での生徒の視覚課題に対する応答時間の増加は、後頭部の平均ベースラインベータバンドパワーの減少と関連しています 22。また、後頭部のベータバンド活動は高齢者における注意欠陥と関連しており、視覚課題に対する正しい反応に先立って活動が増加することが明らかになりました。

私たちの仕事にはいくつかの制限があることに注意する必要があります。 EEG/ML14 の分野ではサンプルサイズが比較的小さい (n = 72) と考えられるため、私たちのモデルは、ML のベストプラクティスに従って、また異なる地理的サイトにわたる将来のデータセットに対する検証から恩恵を受けるでしょう。自動パイプラインは「覚醒」エポックを決定しないため、私たちのアプローチは依然として手動の睡眠ステージングアノテーションに依存しています。それでも、「覚醒」期間は、「消灯」、「覚醒」、および睡眠段階「N1」の手動注釈を探してデータをスキャンした後に決定されます。さらに、AASM によれば、覚醒時期は完全な覚醒状態から初期の眠気までの範囲にわたる可能性があります。また、信号処理技術を使用して、EEG の特徴 (事前定義されたデルタ、シータ、アルファ、ベータ、ガンマバンドのパワーなど) を抽出しました。これは、EEG の生信号から直接深層学習モデルをトレーニングすることに基づく他の技術とは対照的に、バイオマーカーの特徴空間を制限している可能性があります 24 が、そのような技術は非透過的であり、より多くの計算量を必要とします。また、年齢 25、26、27、28、性別 29、30 など、一部の人口統計的変数が脳波に影響を与える可能性があることも認識しており、人口統計学的平均値は全体的に同等でしたが、そのようなパラメーターについては特に制御しませんでした。

私たちは、アルゴリズム開発の探索的なユースケースとして、ESS によって定義された居眠り傾向の主観的な認識の極端なものを選択しました。睡眠研究は閉塞性睡眠時無呼吸の状態に基づいて選択されたのではなく、むしろ患者は、さまざまなレベルの自己申告による眠気を伴う OSA の疑いに基づいて睡眠研究に紹介されることが最も多かった。したがって、将来的には、眠気のスペクトルを反映するEEGベースのバイオマーカーを調べることで、この研究を発展させる機会があります。

最後に、我々は、睡眠ポリグラム検査を実施した後に、我々の方法の出力を患者の電子健康記録に追加することによって、EDSを評価するための自動かつ定量的な方法を運用できると想定しています。今後の研究では、このようなポイント・オブ・ケアの尺度を患者のリスク階層化に利用して、例えば居眠り運転教育が必要な患者を特定したり、過眠症を治療するための薬物療法などの特定の介入により反応しやすい睡眠表現型を特定したりできるかどうかに焦点を当てるべきである。

この研究では、睡眠ポリグラムで覚醒中に記録されたEEG信号を、日中の過度の眠気のバイオマーカーとして使用する可能性を調査しました。私たちは、広く使用されているESSによって測定された高い眠気を報告した人と低い眠気を報告した人の間で、デルタ、シータ、アルファ、ベータの周波数帯域に大きな違いがあることを特定しました。個人レベルで日中の眠気を推定することを目的として、k-NN ML 分類器をトレーニングしたところ、遡及コホートにおいて精度 80.2%、適合率 79.2%、再現率 73.8%、特異度 85.3% に達しました。潜在的な交絡変数を制御した後、この研究がEEGとESSの間の直接的な関連性の構築において革新的であることを示します。最終的に、当社は過小診断された EDS 研究など、高度な EEG 分析を活用できる強力な技術をこれらの分野に提供します。

この研究の結果を裏付けるデータと生成および分析されたデータセットは、被験者への懸念から一般には公開されていませんが、合理的な要求に応じて責任著者から入手できます。

Jaussent, I. et al. 集団ベースの5年間の縦断研究における日中の眠気の発生率、悪化および危険因子。科学。議員7(1)、1372(2017)。

論文 ADS CAS PubMed PubMed Central Google Scholar

リッチ、JA et al. 米国の労働力における疲労: 生産的な労働時間の損失の蔓延とその影響。 J.占領。環境。医学。 49(1)、1–10 (2007)。

記事 MathSciNet PubMed Google Scholar

Jarchi, D.、B. Makkiabadi、S. Sanei。強化された経験的モード分解を組み込んだ脳リズムの同期を測定することによる精神疲労分析。 2010 年の認知情報処理に関する第 2 回国際ワークショップ、423 ～ 427 ページ (2010 年)。

キルゴア、WDS 他日中の眠気は、安静時視床皮質接続の変化に関連しています。 NeuroReport 26(13)、779–784 (2015)。

論文 PubMed Google Scholar

レン、Z.ら。 2 レベルの学習階層動径基底関数を使用した、EEG ベースの運転疲労検出。フロント。ニューロロボット。 15、3–3 (2021)。

記事 Google Scholar

コー、L.-W. 他。まばたき認識により、現実的な持続的注意タスクにおける単一チャネルの前額脳波からの疲労予測が向上します。 J. Neural Eng. 17(3)、036015–036015 (2020)。

論文 ADS PubMed Google Scholar

オーロラ、RN 他。主観的眠気と客観的眠気の相関: 生存分析を使用して関連性を再検討します。睡眠 34(12)、1707–1714 (2011)。

記事 PubMed PubMed Central Google Scholar

Levitt、J. et al. 機械学習を使用した、人間、げっ歯類、犬の被験者における脳波アーティファクトの自動検出。 J. Neurosci. 方法 307、53–59 (2018)。

論文 PubMed Google Scholar

トルト、ABL et al. 異なる周波数の神経振動間の位相と振幅の結合を測定します。 J. Neurophysiol. 104(2)、1195–1210 (2010)。

記事 PubMed PubMed Central Google Scholar

ニーブン、DJ 他一致する症例対照研究: 報告された統計的方法論のレビュー。クリン。エピデミオール。 4, 99 (2012)。

記事 PubMed PubMed Central Google Scholar

Greenland、S. 分析目標、エラーコスト感度、分析ハッキング: 仮説検証と多重比較における重要な考慮事項。小児科。ペリナト。エピデミオール。 35(1)、8–23 (2021)。

論文 PubMed Google Scholar

Rubin, M. 複数のテスト中にアルファを調整する場合: 選言、結合、および個別のテストについての考慮事項。総合 199、10969–11000 (2021)。

記事 Google Scholar

ディンガ、R.、シュマール、L.、ペニンクス、BW、ヴェルトマン、DJ、マルカンド、AF (2020)。機械学習の予測に対する交絡変数の影響を制御します。バイオRxiv (2020)。

Steyerberg、EW 予測研究における検証: データ分割による無駄。Ｊ．クリン．エピデミオール。 103、131–133 (2018)。

論文 PubMed Google Scholar

Pérez-Carbonell, L. et al. 新型コロナウイルス（COVID-19）のパンデミックが睡眠に及ぼす影響。 J. ソラック。ディス。 12、163–175 (2020)。

記事 Google Scholar

Pagel, JF 日中の過度の眠気。午前。ファム。物理学。 79(5)、391–396 (2009)。

CAS Google スカラー

サーニ、AS et al. ナルコレプシーおよび OSA 患者における過度の眠気の管理: 現在の課題と将来の展望。ナット。科学。睡眠 11、241–252 (2019)。

論文 ADS PubMed PubMed Central Google Scholar

Lees, T. et al. 電車の運転士の単調な運転中の自己申告による疲労/眠気の予測因子としての脳波検査。生理。測定。 39(10)、105012 (2018)。

論文 PubMed Google Scholar

Lechat、B.ら。新しい脳波マーカーは、知覚される眠気と睡眠の質の低下を予測します。睡眠45(5)、051(2022)。

記事 Google Scholar

睡眠医学アカデミー A. バージョン 2.5 の睡眠および関連イベントのスコアリングに関する更新の概要に関する AASM マニュアル。Ｊ．クリン．スリープメッド。 16(4)、605–607 (2020)。

メリア、Ｕ．ら。眠気の特徴付けのためにEEG信号に適用される相互情報量測定。 Med Eng Phys 37(3)、297–308 (2015)。

論文 PubMed Google Scholar

Ko、LWら。実際の教室環境での持続的な注意力: EEG 研究。フロントハム Neurosci 11、388 (2017)。

記事 PubMed PubMed Central Google Scholar

ゴーラ、M.ら。 EEG ベータバンド活動は、高齢者の注意力と視覚能力の注意欠陥に関連しています。内部。 J.精神生理学。 89(3)、334–341 (2013)。

論文 PubMed Google Scholar

ナイゲート、Y.ら。 543 脳年齢予測と患者の健康状態との関連性のための EEG ベースのディープニューラルネットワークモデル。睡眠 44 (補足 2)、214 (2021)。

記事 Google Scholar

Hughes, JR & Cayaffa, JJ 器質性脳疾患のないさまざまな年齢の患者の脳波。脳波計。クリン。神経生理学。 42(6)、776–774 (1977)。

論文 CAS PubMed Google Scholar

グエン、P.ら。 (EDS) EEG のパラ言語特徴を使用した年齢と性別の分類。 IEEE/EMBS国際会議にて神経工学、NER (2013)。

Vlahou、ELら。安静時の徐波力、健康的な老化、認知能力。科学。議員4、5101（2014）。

論文 CAS PubMed PubMed Central Google Scholar

Zoubi, OA et al. 脳波信号からの年齢の予測 - 機械学習アプローチ。フロント。神経科学の老化。 10、184 (2018)。

記事 PubMed PubMed Central Google Scholar

Hu, J. エントロピー測定法を使用した、EEG ベースの性別認識へのアプローチ。知ってください。システム。 140、134–141 (2018)。

記事 Google Scholar

Van Putten、MJAM、Olbrich, S.、Arns, M. 深層学習による脳リズムからのセックスの予測。科学。議員 8(1)、3069 (2018)。

論文 ADS PubMed PubMed Central Google Scholar

リファレンスをダウンロードする

前処理の自動化ステージはOracle Cloudプラットフォームで実行されました。

アラウホ・マテウスとゴーン・サマールの著者も同様に貢献しました。

睡眠障害センター、神経研究所、クリーブランドクリニック財団、米国オハイオ州クリーブランド

アラウーホ・マテウス、ウェルズ・サマンサ、メーラ・リーナ

米国オハイオ州クリーブランド、クリーブランドクリニック財団生体医工学部

ゴーン・サマー＆サーブ・Y・カール

定量的健康科学、ラーナー研究所、クリーブランドクリニック財団、米国オハイオ州クリーブランド

王陸

メトロヘルスメディカルセンター、米国オハイオ州クリーブランド

ハリアーディ・ネンガ

米国ロードアイランド州プロビデンス、ブラウン大学生物医工学部

サーブ・Y・カール

クリーブランドクリニック財団呼吸器研究所、米国オハイオ州クリーブランド

メーラ・リーナ

心臓血管および代謝科学、ラーナー研究所、クリーブランドクリニック財団、米国オハイオ州クリーブランド

メーラ・リーナ

心臓血管研究所、クリーブランドクリニック財団、米国オハイオ州クリーブランド

メーラ・リーナ

PubMed Google Scholar でこの著者を検索することもできます

MA、SG、RM、CS が主な原稿テキストを執筆しました。 SW と NH は被験者を特定してデータを収集し、LW は被験者のデータを抽出して表の統計を計算しました。 1. MA は機械学習の交絡研究を準備し、表 2 と図 6 を追加しました。SG は EEG データパイプラインを開発し、データ分析を準備し、機械学習と図を作成しました。 1、2、3、4、5。

メーラ・リーナへの対応。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Matheus、A.、Samer、G.、Lu、W. 他。エプワースの眠気スケールを予測する睡眠ポリグラフ由来の脳波バイオマーカーを機械学習します。 Sci Rep 13、9120 (2023)。 https://doi.org/10.1038/s41598-023-34716-5

引用をダウンロード

受信日: 2022 年 10 月 5 日

受理日: 2023 年 5 月 5 日

公開日: 2023 年 6 月 5 日

DOI: https://doi.org/10.1038/s41598-023-34716-5

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。