JOURNAL FRANCOPHONE OF VENTILATION - PULMONOLOGY AND SLEEP [Journal Francophone de Ventilation - Pneumologie et du Sommeil]

ABSTRACT

Introduction: Sleep apnea affects millions globally, significantly impairing health and quality of life. This disorder manifests in several forms, including obstructive sleep apnea (OSA), central sleep apnea (CSA), mixed sleep apnea, and hypopnea, each requiring different treatment strategies. Recognizing the distinct nature of these conditions is essential for appropriate intervention. The purpose of this study is to differentiate OSA, CSA, and hypopnea events based on features derived from ECG and EEG signals. These signals were analyzed by Wavelet Transform algorithms according to sleep stages (NREM, REM) to demonstrate the efficacy of multimodal signals in enhancing classification performance.

Materials and methods: The dataset used in this study consists of 201 PSG recordings, categorized into different sleep events including obstructive apnea, central apnea, and hypopnea. ECG and EEG channels taken from polysomnography (PSG) recordings are divided into 30s-non-overlap windows. A Butterworth bandpass filter is applied to remove artifacts and standardize the signals in the range of [0, 1]. The wavelet transform algorithms were employed for both signals in the following. First, the segmented EEG signals are decomposed into five frequency sub-bands by using discrete wavelet transform (DWT), and then analytic signals are extracted by Hilbert transform (HT) before calculating five statistical indices from HT signals. In terms of ECG, the wavelet packet analysis (WPA) technique was conducted to decompose each ECG epoch into a set of approximate (Aj) and detailed (Dj) coefficients, which provides a comprehensive frequency analysis across all sub-bands. Next, five non-linear features, including Shannon entropy, IQR, variance, SD, and mean absolute deviation (MAD) were extracted. The same methodology of feature selection using Neighborhood Component Analysis (NCA) was applied for both ECG and EEG signals to select a set of the best features and fed to classifiers. Two classification strategies were assessed between apnea-hypopnea and apnea-central using machine learning classifiers.

Results: The results showed that the best classification performance was achieved by the multimodal approach using a combined ECG-EEG and Ensemble Learning (EL) classifier. Particularly, the highest accuracy for apnea-hypopnea classification was 84.7% in NREM and 83% in REM; and apnea-central classification was 97.2% in NREM and 98.8% in REM.

Conclusions: The findings suggest that the use of combined signals (EEG-ECG) and features selection-based method with NCA achieve better accuracy in all classification strategies compared to the single signal. Furthermore, the accuracy of apnea-central classification is more significant, which leads to increased reliability of the proposed method, thereby offering a deeper insight into the physiological disruptions occurring during sleep.

Acknowledgments: The authors thank the staff of the Calapharco Company for supporting us in data collection. This research was funded by grants from an industry-academic joint research program between Yonsei University Health System (YUHS) and UMP.

RÉSUMÉ

Introduction :
L’apnée du sommeil touche des millions de personnes dans le monde, altérant considérablement la santé et la qualité de vie. Ce trouble se manifeste sous plusieurs formes : apnée obstructive du sommeil (AOS), apnée centrale (ACS), apnée mixte et hypopnée, chacune nécessitant des stratégies de traitement spécifiques. Reconnaître la nature distincte de ces événements est essentiel pour une intervention appropriée. Cette étude a pour but de différencier les épisodes d’AOS, d’ACS et d’hypopnée à partir des caractéristiques extraites des signaux ECG et EEG. Ces signaux ont été analysés par des algorithmes de transformation en ondelettes en fonction des stades du sommeil (NREM, REM) afin de démontrer l’efficacité de l’approche multimodale dans l’amélioration des performances de classification.

Matériel et méthodes :
Le jeu de données utilisé dans cette étude comprend 201 enregistrements de polysomnographie (PSG), catégorisés selon les différents événements respiratoires : apnée obstructive, apnée centrale et hypopnée. Les signaux ECG et EEG extraits des enregistrements PSG sont segmentés en fenêtres de 30 secondes sans chevauchement. Un filtre passe-bande de Butterworth est appliqué pour supprimer les artéfacts et standardiser les signaux dans une plage de [0, 1].

Les signaux EEG segmentés sont ensuite décomposés en cinq sous-bandes fréquentielles à l’aide de la transformée en ondelettes discrète (DWT), suivie de l’extraction des signaux analytiques par transformée de Hilbert (HT), permettant le calcul de cinq indices statistiques. Pour l’ECG, la technique d’analyse par paquets d’ondelettes (WPA) est utilisée pour décomposer chaque segment en coefficients approximatifs (Aj) et détaillés (Dj), fournissant une analyse fréquentielle complète. Cinq caractéristiques non linéaires sont extraites : entropie de Shannon, écart interquartile (IQR), variance, écart-type (SD) et déviation absolue moyenne (MAD).

Une sélection des caractéristiques les plus pertinentes est effectuée à l’aide de l’algorithme Neighborhood Component Analysis (NCA) pour les deux signaux, avant d’être intégrées à des modèles de classification. Deux stratégies de classification sont évaluées : apnée-hypopnée et apnée-centrale, à l’aide de classificateurs d’apprentissage automatique.

Résultats :
Les meilleurs résultats de classification sont obtenus avec une approche multimodale combinant ECG et EEG, associée à un classificateur Ensemble Learning (EL). En particulier, la précision la plus élevée pour la classification apnée-hypopnée atteint 84,7 % en NREM et 83 % en REM, tandis que pour la classification apnée-centrale, elle est de 97,2 % en NREM et 98,8 % en REM.

Conclusions :
Les résultats suggèrent que l’utilisation combinée des signaux EEG et ECG, couplée à une méthode de sélection de caractéristiques via le NCA, permet d’obtenir de meilleures performances de classification par rapport à l’utilisation d’un seul type de signal. De plus, la précision nettement supérieure dans la classification apnée-centrale renforce la fiabilité de la méthode proposée, offrant ainsi une meilleure compréhension des perturbations physiologiques survenant pendant le sommeil.

Remerciements :
Les auteurs remercient le personnel de la société Calapharco pour leur soutien lors de la collecte des données. Cette recherche a été financée par des subventions dans le cadre d’un programme de recherche conjoint industrie-université entre le Yonsei University Health System (YUHS) et l’Université de Médecine et de Pharmacie (UMP).