Automatic classification of human sleep recordings combining artifact identification and relevant features selection

• Auteur / Autrice : Lukas Zoubek
• Direction : Suzanne Lesecq
• Type : Thèse de doctorat
• Discipline(s) : Automatique et productique
• Date : Soutenance en 2008
• Etablissement(s) : Grenoble 1 en cotutelle avec Technical university of Ostrava
• Partenaire(s) de recherche : Laboratoire : Grenoble Images parole signal automatique

Mots clés

Mots clés libres

Automatique-productique

Résumé

Cette thèse porte sur la classification automatique de sommeil humain et plus précisément le développement d’un système automatique de classification d’enregistrements polysomnographiques composés de trois signaux: EEG, EOG et EMG. Le système développé est conçu pour prendre en compte l’occurrence d’artéfacts polluant ces signaux en utilisant les caractéristiques les plus discriminantes issus de ces signaux. La première partie de la thèse présente une procédure permettant l’identification automatique, sur des plages de signaux de 2 secondes, de 8 types d’artéfacts parmi les plus courants ainsi qu’une stratégie permettant d’évaluer la qualité globale d’un signal sur une période de 20 secondes. Dans une deuxième partie, une méthode de sélection de caractéristiques est proposée puis appliquée sur une base de signaux, afin de sélectionner les caractéristiques qui serviront d’entrées au classifieur. Enfin, en conséquence des deux premières parties, un système de classification automatique à deux étapes est proposé. Dans une première étape, un système de détection d’artéfacts permet de sélectionner les signaux ne présentant pas d’artéfacts au cours de l’epoch à classer. Dans la deuxième étape, les caractéristiques les plus discriminantes sont extraites et classées à l’aide d’un réseau de neurones sélectionné parmi un ensemble de quatre classifieurs, chaque classifieur utilisant des caractéristiques d’entrées extraites de combinaisons de signaux différentes. Le système proposé permet la classification des enregistrements de nuits de sommeil à partir de caractéristiques extraites de signaux non pollués par des artefacts, sans perdre un trop grand nombre d’epochs.

This thesis engages in automatic analysis of human sleep. It mainly focuses on the development of an automatic system for classification of polysomnographic recordings, composed of three signals: EEG, EOG and EMG. This thesis proposes a complex classification system, which is capable to deal with various artifacts possibly present in the physiological signals and which uses the most relevant parameters computed from the analyzed signals. The first part of this thesis presents a procedure to automatically identify eight common artifacts in 2-sec segments of the analyzed signals. Then, a strategy is applied in order to evaluate quality of the signals characterizing each 20-sec epoch of the recording. In the second part of this thesis, an iterative feature selection method is proposed and applied on a large database of polysomnographic recordings, so as to select the most relevant parameters that will serve as inputs for the automatic classifier. Then, as a result of the two first parts, a complex two-step sleep/wake stages automatic classification system is proposed. In a first step, an artifact detection system selects the artifact-free polysomnographic signals in the epoch to be scored. In the second step, the features selected as the most relevant are extracted from the artifact-free signals and classified using a neural network classifier chosen among a bank of four classifiers, which differs one from the others by the signals used. Thus, the final classification system allows classification using relevant features computed from artifact-free signals, without loosing many.