Metodi di machine learning per la comprensione delle fasi del sonno dalle registrazioni polisonnografiche

Abstract

La classificazione delle fasi del sonno tramite registrazioni polisomnografiche (PSG) è fondamentale per l’analisi e la valutazione dei suoi stadi, aiutando a comprendere come la qualità del sonno influisce sulla salute e sul benessere. Questo è particolarmente rilevante per persone con disturbi del sonno o popolazioni specifiche, come i neonati prematuri.

Le registrazioni PSG si basano principalmente su elettroencefalografia (EEG), elettromiografia (EMG) ed elettrooculografia (EOG), che sono strumenti chiave per valutare la qualità del sonno e rilevare anomalie. Tuttavia, la scoring manuale del sonno è dispendioso in termini di tempo, soggetto a variabilità e influenze umane, rendendolo poco pratico per grandi quantità di dati.

Questa tesi di laurea esplora metodi di Machine Learning per la classificazione delle fasi del sonno utilizzando registrazioni PSG, con un focus sulla combinazione di EEG moncanale, EMG submentale e EOG orizzontale. L’obiettivo è implementare algoritmi di Shallow Learning per migliorare l’efficienza e ridurre lo sforzo necessario nell’analisi del sonno.

È stato sviluppato un pipeline per elaborare le caratteristiche estratte, eseguire esplorazione dei dati per identificare strutture e proprietà rilevanti e successivamente applicare tecniche di classificazione Shallow Learning su soggetti sani. Nella fase finale, i migliori modelli sono stati testati su nuovi dati, inclusi quelli di pazienti con malattia di Parkinson, per valutare le performance del modello in casi patologici e capire come la malattia influisca sulla classificazione delle fasi del sonno.

Questo lavoro potrebbe essere considerato un punto di partenza per sviluppare una classificazione completamente automatizzata delle fasi del sonno utilizzando tecniche di deep learning e per progettare modelli in grado di analizzare vari disturbi del sonno.

Sleep staging classification using polysomnographic (PSG) recordings is essential for sleep analysis and scoring, helping to assess how sleep quality affects health and well-being. This is particularly relevant for individuals with sleep disorders or specific populations, such as premature infants.

PSG recordings primarily rely on electroencephalography (EEG), electromyography (EMG), and electrooculography (EOG), which are key tools in evaluating sleep quality and detecting abnormalities. However, manual sleep scoring is time-consuming, prone to variability, and susceptible to human bias, making it impractical for large datasets.

This master’s thesis explores Machine Learning methods for sleep stage classification using PSG recordings, focusing on the combination of single-channel EEG, submental EMG, and horizontal EOG. The objective is to implement Shallow Learning algorithms to enhance efficiency and reduce the effort required for sleep analysis.

A pipeline was developed to process extracted features, perform data exploration to identify relevant structures and properties and then apply Shallow Learning classification techniques in healthy subjects. In the final phase, the best models were tested with new data, including data of patients with Parkinson’s disease patients, to evaluate model performance in pathological cases and understand how the disease affects sleep stage classification.

This work could be considered as a starting point for developing fully automated sleep staging classification using deep learning techniques and for designing models capable of analyzing multiple sleep disorders.