基於自動化腦電波及心率變異訊號之慢波睡眠預測模型

一、研究之背景與目的
慢波睡眠(slow wave sleep)在睡眠週期中屬深層睡眠的階段，這個階段的腦電波相較於其他睡眠階段會出現較高比例的delta waves (亦稱為slow waves)。此睡眠階段與身體能量的恢復、記憶鞏固、神經代謝產物的清除等過程有重大的關聯，為睡眠中重要的階段。然而，評估睡眠中的慢波睡眠的情形，需接受睡眠多項生理檢查(Polysomnography, PSG)，過程需花上一定的時間、人力物力和繁複的分析判讀過程，執行上較為困難，也因此減少睡眠障礙者檢測的意願。再者，受限於睡眠期別的定義，在傳統睡眠評估報告中慢波睡眠腦電波的主角slow wave (亦即delta wave) 實際所佔的比例與時間長度是浮動而不確定的，故對於準確反映睡眠腦電波中slow wave的分布情形會有所限制。在本研究中，我們試圖另闢蹊徑，發展獲取及預測睡眠週期中真實慢波睡眠分布情形較簡便且可靠的方式，建立使用心率變異性參數等資訊為特徵，以預測慢波睡眠組成狀況之機器學習及深度學習模型，預測於5分鐘睡眠區段中慢波睡眠時間佔比之分類。
二、研究方法
以回溯性的方式收集使用55位雙和醫院接受睡眠多項生理檢查的記錄，將資料進行每5分鐘為一段之分割後，提取共3769筆資料之時間軸、腦電圖及心電圖之訊號進行分析。先將腦電圖之訊號，使用自動化腦電波分析之Python工具箱，定義計算出慢波(slow wave)之區段及總時長，經轉換為慢波時間佔比(slow-wave ratio)後，以慢波時間佔比5%或10%為標準，將慢波時長佔比多寡做二元分類及三元分類，共四種分類方式。接著，再以心率變異性之參數搭配人口統計變項作為特徵，經由機器學習及深度學習的方式，建立及訓練針對睡眠週期中慢波睡眠佔比類別之預測模型，並評估成效。
三、結果
使用心率變異性參數及受測者之年齡、性別、BMI作為特徵，透過機器學習及深度學習訓練出的預測模型，具備分類慢波時長佔比類別的能力。在區分慢波時長佔比最高與最低兩類之二元分類模型有最好的分類效果Accuracy：90%，ROC AUC：0.903，Cohen’s kappa：0.496。另外在其他二元分類及三元分類之模型也都具備分類慢波時長佔比類別的能力。
四、結論
本研究所訓練之模型在慢波時長佔比做二元分類時，皆能有效地以心率變異性之參數為主要特徵，預測5分鐘睡眠區段中慢波睡眠總時長佔據比例的類別，尤其在區分慢波時長佔比小於5%以及大於等於10%兩類時有最佳之分類效果，此研究結果有利於簡化評估慢波睡眠的流程及推進後續心率變異分析及慢波睡眠之相關研究。