Approche non supervisée de l'analyse automatique du sommeil : comparaison d'algorithmes de segmentation

par Aude Degans

Thèse de doctorat en Optimisation et sûreté des systèmes

Sous la direction de Régis Lengellé.

Soutenue en 2006

à Troyes , dans le cadre de Ecole doctorale Sciences pour l'Ingénieur (Troyes, Aube) .

mots clés

• Électroencéphalographie
• Sommeil

Résumé

Notre travail s’inscrit dans l’analyse automatique du sommeil. Depuis 40 ans, les règles de classification en stades de sommeil établies par Rechtschaffen et Kales s’imposent comme la référence internationale dans l’analyse du sommeil. Ces règles, bien que procurant une information compacte sur le profil du sommeil, le traitent de façon discrète et en ignorent la microstructure. Des algorithmes d’analyse automatique du sommeil ont alors émergé proposant des paramètres reflétant la dynamique du processus dans sa continuité. Toutefois, certains algorithmes tels que l’analyse spectrale ont été développés pour être appliqués à des signaux stationnaires, ainsi, en les appliquant aux signaux EEG, on occulte la nature pourtant fortement non stationnaire de ces signaux. C’est pourquoi nous nous sommes intéressés aux algorithmes de segmentation qui permettent de décomposer le signal en segments stationnaires. Notre étude bibliographique nous a permis d’identifier les différentes méthodes de segmentation et de porter notre choix, en conséquence, sur des méthodes de segmentation adaptative non paramétrique. Le mode non supervisé ne permet pas d’optimiser un critère de performance ni d’identifier les non détections ou les fausses alarmes. Nous avons donc développé une méthodologie permettant de quantifier la « corrélation » des algorithmes que nous avons sélectionnés, après avoir défini la notion de détection commune. La problématique est alors de maximiser l’accord entre les algorithmes en optimisant les paramètres dont ils dépendent

Titre traduit

Unsupervised approach of sleep analysis : comparison of segmentation algorithms

Résumé

Our work deals with automatic sleep analysis. For 40 years, the sleep staging rules proposed by Rechstchaffen and Kales remained the international reference in sleep analysis. Despite the compact profile of sleep they bring, they observe it as a discrete process and do not care about the microstructure. Algorithms for automatic sleep staging emerged and some researchers proposed new parameters that reflect the continuity and the dynamics of the sleep process. By some of them (such as spectral analysis) were developed to be applied on stationary signals. Consequently, applying them on EEG signals occults the high non-stationary character of these signals. That is the reason why we focused our work on (adaptive non-parametric) segmentation algorithms which enable to decompose the signal into stationary segments. The unsupervised approach does not allow to optimize a performance criterion or to identify non detections of false alarms. Consequently we developed a methodology for quantifying a correlation measure between the algorithms we selected and for which we defined the concept of common detection. The problematic is then to maximize the agreement between the algorithms after and optimization process of their parameters