Vous êtes sur la page 1sur 70

Stphanie DEVUYST

Rapport prsent en vue de l'obtention d'un


Diplme d'Etude Approfondie (DEA)





Classification automatique en stades du sommeil :
extraction de caractristiques et comparaison des
principaux classificateurs



















Service de Thorie des Circuits et
Traitement du Signal
Promoteur : Professeur T. Dutoit


Anne acadmique 2006-2007














Remerciements




Je tiens remercier Monsieur le Professeur Thierry Dutoit du service de
Thorie des Circuits et Traitement du Signal, pour les conseils qu'il m'a
prodigus tout au long de ce travail, son enthousiasme et sa disponibilit.

J'adresse galement mes remerciements aux membres du laboratoire de
sommeil de l'hpital Andr Vsale Montigny-le-Tilleul pour la base de
donnes d'enregistrements polysomnographiques qu'ils m'ont constitue.
Particulirement, j'exprime ma gratitude Myriam Kerkhofs et Patricia
Stenuit qui m'ont accord de leur temps pour rpondre mes questions.

Enfin, je remercie chaleureusement mon mari Jean-Sbastien Gonsette et
ma sur, Vinciane Devuyst, qui, par leur relecture attentive, ont
contribu l'amlioration de la qualit de ce travail.








Table des matires

INTRODUCTION................................................................................................................................................. 1
SYNOPSIS............................................................................................................................................................. 2
CHAPITRE 1 - LE SOMMEIL ET LA POLYSOMNOGRAPHIE ................................................................. 3
1.1 HISTORIQUE................................................................................................................................................... 3
1.2 L'EXAMEN POLYSOMNOGRAPHIQUE............................................................................................................... 5
1.2.1 Nature, origine et acquisition des signaux polysomnographiques ........................................................ 5
1.2.1.1 L'lectroencphalogramme (EEG) ..................................................................................................................5
1.2.1.2 L'lectrooculogramme (EOG) .........................................................................................................................9
1.2.1.3 L'lectromyogramme (EMG) ..........................................................................................................................9
1.2.2 Cotation en stades du sommeil............................................................................................................ 11
1.2.2.1 Les diffrents stades de sommeil ...................................................................................................................11
1.2.2.2 Architecture normale du sommeil .................................................................................................................14
1.2.2.3 Facteurs influenant la composition du sommeil...........................................................................................15
1.3 L'ANALYSE AUTOMATIQUE.......................................................................................................................... 17
CHAPITRE 2 - DTECTION ET CORRECTION D'ARTEFACTS............................................................ 18
2.1 TAT DE L'ART............................................................................................................................................. 18
2.2 PROCDS D'LIMINATION DES ARTEFACTS ................................................................................................. 19
2.2.1 Dtection des artefacts de courte dure............................................................................................... 19
2.2.1.1 Les procds Atf_Esat, Atf_Osat et Atf_Msat ..............................................................................................19
2.2.1.2 Le procd Atf_Egd ......................................................................................................................................20
2.2.1.3 Les procds Atf_noE et Atf_noO ................................................................................................................21
2.2.1.4 Le procd Atf_trans .....................................................................................................................................22
2.2.1.5 Le procd Atf_mvt.......................................................................................................................................23
2.2.1.6 Le procd Atf_phase....................................................................................................................................24
2.2.2 Dtection et correction des artefacts de longue dure......................................................................... 25
2.2.2.1 Procds de dtection des ondulations lentes (Atf_ondeE et Atf_ondeO).....................................................25
2.2.2.2 Procd de correction des ondulations lentes ................................................................................................26
2.2.2.3 Procd de dtection des interfrences cardiaques (Atf_card)....................................................................27
2.2.2.4 Procds de correction des interfrences cardiaques .....................................................................................28
2.3 RSULTATS DES PROCDS DE DTECTION/CORRECTION D'ARTEFACTS....................................................... 37
CHAPITRE 3 - EXTRACTION DE CARACTRISTIQUES........................................................................ 39
3.1 TAT DE L'ART............................................................................................................................................. 39
3.2 PROCDS D'EXTRACTION DE CARACTRISTIQUES....................................................................................... 40
3.3 SLECTION DES CARACTRISTIQUES LES PLUS DISCRIMINANTES ................................................................. 40
CHAPITRE 4 - CLASSIFICATION EN STADES DU SOMMEIL............................................................... 43
4.1 TAT DE L'ART............................................................................................................................................. 43
4.2 DESCRIPTION DES PROCDS DE CLASSIFICATION........................................................................................ 44
4.2.1 La mthode d'agrgation (ou clustering)............................................................................................. 44
4.2.2 Les rseaux de neurones artificiels ..................................................................................................... 45
4.2.3 Les arbres de dcisions ....................................................................................................................... 46
4.3 BASES DE DONNES ..................................................................................................................................... 48
4.4 COMPARAISON DES RSULTATS OBTENUS.................................................................................................... 49
CONCLUSION.................................................................................................................................................... 53
RFRENCES.................................................................................................................................................... 55


ANNEXES
ANNEXE I - DESCRIPTION DES PROCDS D'EXTRACTION DE CARACTRISTIQUES................I
ANNEXE II - LE FORMAT EDF......................................................................................................................IV






Table des abrviations
et acronymes


Ag: Argent
AgCl: Chlorure d'argent
ACI: Analyse en composantes indpendantes
ASDC: Association of Sleep Disorders Centers
BASS: Belgian Association for Sleep Research and Sleep Medicine
CART: Arbre de classification et rgression (Classification And Regression Tree)
CHU: Centre Hospitalier Universitaire
DEA: Diplme d'Etude Approfondie
DREAMS: Dtection Robuste dvnements en Analyse Multicapteurs du Sommeil
ECG: Electrocardiogramme(s)
EEG: Electroencphalogramme(s)
EOG: Electrooculogramme(s)
EMG: Electromyogramme(s)
ESRS: European Sleep Research Society
FFT : Transforme de Fourier rapide (Fast Fourier Transform)
ICA: Analyse en composantes indpendantes (Independent Component Analysis)
MMSE: Erreur quadratique minimum (Minimum Mean Square Error)
PMC: Perceptron multicouches
PSG : Polysomnographie ou Polysomnographique (s)
REM: Stade de sommeil paradoxal (Rapid Eye Movement)
S1 : Stade 1 du sommeil
S2: Stade 2 du sommeil
S3: Stade 3 du sommeil
S4: Stade 4 du sommeil
SLEX: Smooth Localized complex EXponentials
SOREMPs: Disparition totale du temps de latence au stade REM (Sleep-Onset REM Periods)


Classification automatique en stades du sommeil Page 1




Introduction

Ce travail de DEA s'inscrit dans le cadre du projet DREAMS (Dtection Robuste dvnements en
Analyse Multicapteurs du Sommeil) initi par le laboratoire de Thorie des Circuits et Traitement
du Signal de la Facult Polytechnique de Mons. Il a t ralis en collaboration avec le
laboratoire de sommeil de l'hpital Andr Vsale de Charleroi et a pour objectif la
dtermination automatique des diffrents stades de sommeil.

Le sommeil n'est en effet pas un phnomne continu. Lorsqu'une personne s'endort, elle
transite par diffrentes phases, savoir le sommeil lger, le sommeil profond et le sommeil
paradoxal gnralement associ aux rves. La succession de ces tats au cours de la nuit est trs
rvlatrice de la qualit du sommeil. Elle permet notamment de mettre en vidence certaines de
ses pathologies. Par exemple, les patients apniques (manifestant des arrts respiratoires
pendant la nuit) ont un sommeil lger et fragment par des veils qui leur permettent de
reprendre leur respiration; tandis que les patients narcoleptiques (qui sont sujets des accs de
somnolence diurnes) entrent dans une phase de sommeil paradoxal ds leur endormissement.

Ainsi, une bonne analyse du sommeil passe invitablement par la classification des priodes de
la nuit en stades. cette fin, plusieurs variables physiologiques (lectroencphalogramme,
activit musculaire, rythme respiratoire, etc.) sont enregistres au cours de la nuit parce qu'elles
prsentent des caractristiques diffrentes selon la phase de sommeil considre. Leur
interprtation est le plus souvent ralise par un oprateur humain. Concrtement, il s'agit
d'attribuer un stade de sommeil chacune des 1500 poques de 20 secondes que compte en
moyenne une nuit de sommeil, sur base des critres internationaux de Rechtschaffen et Kales
[8].

Cette tche est fastidieuse et peut prendre plusieurs heures. De plus, les variabilits inter et
intra cotateurs sont en pratique invitables. C'est pourquoi diverses procdures de traitement
automatis ont dj vu le jour. Celles-ci sont relativement fiables pour des nuits de sujets en
bonne sant, mais demeurent insatisfaisantes en cas de tracs pathologiques. En effet, leurs
lacunes sont essentiellement lies au manque de dtection dartefacts qui sont particulirement
prsents dans ce type de tracs.

L'objectif de ce travail consiste donc amliorer ces techniques d'analyse automatique du
sommeil en portant une attention toute particulire au traitement des artefacts. De plus, ce
travail prvoit de comparer diffrents procds de classification en validant leurs rsultats sur
une mme base de donnes fournie par le laboratoire de sommeil du CHU de Charleroi.
Introduction

Classification automatique en stades du sommeil Page 2

Synopsis
La premire partie de ce rapport (chapitre 1) constitue un rappel des concepts de base
intervenant dans l'tude du sommeil. Les principaux signaux physiologiques utiliss en analyse
du sommeil y sont dcrits, ainsi que les rgles essentielles de cotation en stades.

La seconde partie du rapport est consacre la description des diffrentes tapes d'une
procdure de classification automatique en stades du sommeil:

Le chapitre 2 prsente les procds de dtection et de correction d'artefacts
implments dans le cadre de ce travail;

Le chapitre 3 reprend le panel de caractristiques que nous avons extraites et expose
comment les plus discriminantes d'entre elles ont t slectionnes;

Le chapitre 4 dcrit le fonctionnement de trois mthodes de classification (clustering,
rseaux de neurones et arbres de dcisions) et compare les rsultats obtenus sur une
mme base de donnes.

Finalement, quelques perspectives sont abordes en conclusion. Tandis que la dernire section
offre la possibilit au lecteur intress, d'approfondir les notions vues dans ce document en se
rfrant la bibliographie qu'elle contient.









Classification automatique en stades du sommeil Page 3



Chapitre 1
Le sommeil et la
polysomnographie

1.1 Historique
De tout temps, les tres humains ont t fascins par le sommeil. Dj bien avant la naissance
du Christ, mdecins et philosophes, tels Hippocrate et Aristote, tentaient d'expliquer les bases
physiologiques et psychologiques du sommeil et du rve. Ceci n'a rien d'tonnant tant donn
que l'homme passe prs d'un tiers de sa vie dormir.

Au dbut, le sommeil tait considr comme un tat intermdiaire entre la mort et l'veil, o le
corps et l'esprit font totalement relche [1]. cette poque, peu de moyens permettaient son
investigation. Seules quelques variations de paramtres taient observes au cours de la nuit
(seuil d'veil, mobilit, respiration), mais celles-ci restaient inexpliques compte tenu du fait que
le sommeil tait alors considr comme un tat uniforme.

En 1929, le psychiatre allemand, Hans Berger mit au point l'lectroencphalogramme (EEG)
permettant de mesurer l'activit lectrique du cerveau la surface du scalp. Grce ce
dispositif, il mit en vidence l'onde "alpha" prsente chez le sujet dtendu, les yeux ferms, et
constatat que celle-ci disparaissait et tait remplace par une onde "bta" plus rapide et de
moindre amplitude, une fois les yeux ouverts [2].

Son EEG devint trs vite un lment incontournable de l'tude du sommeil. En 1937, cette
seule variable physiologique permit Loomis et ses collaborateurs de discerner 5 stades de
sommeil: A=alpha, B=bas voltages, C=fuseaux, D=fuseaux+larges potentiels alatoires, E=larges
potentiels alatoires [3].

Cette classification base sur la seule activit encphalographique resta longtemps d'usage.
Pourtant, elle ne permettait pas de discerner toutes les phases de sommeil. En effet, en 1953, le
professeur en physiologie Nathaniel Kleitman et son tudiant gradu Eugene Aserinsky
dcouvrirent que des mouvements oculaires rapides accompagnaient certaines priodes de la
nuit du dormeur, et que ces priodes taient troitement lies avec la production de rve [4].
Ainsi, le stade REM (Rapid Eye Movement) rest jusqu'alors inaperu, car on le confondait avec
l'veil ou le sommeil lger, fut dcouvert.

Chapitre 1: Le sommeil et la polysomnographie

Classification automatique en stades du sommeil Page 4
L'association de l'activit oculaire l'activit EEG permit ensuite Nathaniel Kleitman et
William Dement de dmontrer, en 1957, la nature cyclique du sommeil [5]. Puis, Michel
Jouvet et ses collgues montrrent en 1959 que le stade REM tait accompagn d'atonie
musculaire chez le chat [6]. Ceci fut rapidement vrifi chez l'homme par Berger, en 1962.
Ainsi, l'activit musculaire devint inluctablement la troisime variable physiologique prendre
en compte lors d'une polygraphie du sommeil, pratique plus communment connue sous le
nom de polysomnographie (PSG).

partir de ce moment, bon nombre d'tudes furent ralises dans le domaine, mais leur
manque d'uniformit au niveau des mthodes et de leur nomenclature fut mis en vidence par
Monroe en 1967 [7]. Ceci incita plusieurs scientifiques, dont Allan Rechtschaffen et Anthony
Kales, rdiger un manuel standard de cotation en stades du sommeil [8]. Celui-ci fut publi en
1968 et constitue encore aujourd'hui un ouvrage de rfrence.

Les rgles de cotation dsormais codifies, la recherche du sommeil alla florissant les annes qui
suivirent et devint invitablement un prcurseur de la mdecine du sommeil. Les investigateurs
ayant obtenu un nombre suffisant d'enregistrements de nuits de sujet sains dmontrant
l'architecture "normale" du sommeil, dcouvrirent par comparaison des indicateurs de certaines
pathologies. Notamment, ils constatrent la diminution du temps de latence du stade REM
associ aux dpressions endognes, ainsi que la disparition totale de ce temps de latence chez les
patients narcoleptiques (SOREMPs: Sleep-Onset REM Periods).

La mdecine des troubles du sommeil connut alors un essor considrable, atteignant son point
culminant en 1975, lorsque la polysomnographie fut reconnue en Amrique comme examen
mdical remboursable.

Aujourd'hui, on compte un grand nombre d'organisations ddies au sommeil, tant en Europe
qu'en Amrique. Parmi celles-ci, l'ESRS (European Sleep Research Society) fonde en 1972 en
Europe, l'ASDC (Association of Sleep Disorders Centers) fonde en 1975 aux tats-Unis, ou plus
modestement la BASS (Belgian Association for Sleep Research and Sleep Medicine, anciennement
nomme Belgian Association for the Study of Sleep ) fonde en 1982 en Belgique. De nombreux
livres et journaux mdicaux sont galement consacrs au sujet, tels que "Sleep", "Sleep Medecine"
ou "Journal of Sleep Research".

Pourtant, une enqute rcente ralise autour du sommeil [9] rvle que prs de la moiti de la
population belge souffre encore de troubles du sommeil et que seulement un quart de ces
personnes consulte des professionnels de la sant ce sujet. Cette tude stipule galement que
25% des mauvais dormeurs prennent des mdicaments pour dormir et que parmi ceux-ci, un
adulte sur huit le fait de sa propre initiative (en piochant dans une boite de mdicaments
prescrite un proche).

Force est de constater que nous sous-estimons l'importance du sommeil. Comme nous ne
sommes pas conscients du fonctionnement de notre corps pendant ces heures, nous avons
tendance les considrer comme une perte de temps et les ngliger (nuits blanches, travail
horaires dcals, prise de mdicaments avant d'aller coucher, etc.). Pourtant, la quantit et la
qualit de notre sommeil conditionnent largement notre forme physique et notre quilibre
psychique. Certaines fonctions biologiques comme la production d'hormones de croissance
chez l'enfant ou la rgnration de certaines cellules, sont leur maximum pendant que nous
dormons [10]. De plus, le sommeil joue un rle dans l'assimilation et le traitement des
informations acquises au cours de la journe. Ainsi, le sommeil est un facteur essentiel auquel il
Chapitre 1: Le sommeil et la polysomnographie

Classification automatique en stades du sommeil Page 5
est bon de prter attention. Si nous pensons souffrir de l'un ou l'autre de ces troubles, il est tout
fait justifi d'effectuer un examen polysomnographique, de la mme manire qu'un individu
se plaignant de maux de coeur trouvera vident d'effectuer un examen cardiologique
approfondi, lectrocardiogramme inclus.

1.2 L'examen polysomnographique
La polysomnographie (PSG) est un examen mdical gnralement pratiqu en laboratoire de
sommeil, qui consiste enregistrer de manire continue et simultane diffrentes variables
physiologiques (lectroencphalogramme, activit musculaire, rythme respiratoire, etc.) durant
la veille et le sommeil. Son but est d'tablir un diagnostic de normalit ou d'anormalit du
sommeil, ou encore, en cas de problme avr, d'en dterminer les causes (apnes, insomnie,
narcolepsie, ou autre).
1.2.1 Nature, origine et acquisition des signaux polysomnographiques
D'aprs les rgles de Rechtschaffen et Kales [8], une bonne introspection du sommeil requiert
au minimum l'analyse de trois variables physiologiques:

L'lectroencphalogramme qui mesure l'activit lectrique du cerveau la surface du
scalp;
L'lectrooculogramme qui enregistre les variations de potentiels correspondant aux
mouvements oculaires;
L'lectromyogramme qui mesure l'activit lectrique des muscles.

Mais il s'avre aujourd'hui que ces seuls paramtres ne suffisent pas dtecter certaines
pathologies telles que les apnes du sommeil ou les parasomnies. Ainsi, il est courant de
recueillir galement d'autres variables physiologiques telles que:

L'lectrocardiogramme permettant d'examiner les variations du rythme cardiaque;
La plthysmographie inductive thoracique et abdominale reprsentant les mouvements
respiratoires;
L'enregistrement sonore des ventuels ronflements;
Le dbit d'air nasal;
La saturation en oxygne dans le sang;
Une squence vido pour reprer les mouvements anormaux du sujet (somnambulisme,
crises d'pilepsie, etc.).

Dans la suite de ce paragraphe, nous prsenterons les origines et les procds d'acquisition des
principaux signaux polysomnographiques utiliss lors de ce travail.
1.2.1.1 L'lectroencphalogramme (EEG)
L'lectroencphalogramme (EEG) est le reflet de l'activit lectrique moyenne d'un ensemble de
cellules du cortex, que l'on mesure au moyen d'lectrodes
1
disposes la surface du scalp.

Les lectrodes les plus couramment utilises en lectroencphalographie sont, d'une part, les
lectrodes faites de mtal noble (or ou platine), en forme de coupe, que l'on remplit de gel

1
Les lectrodes sont des senseurs lectrochimiques qui effectuent la transduction d'un transport d'ions en un flot
d'lectrons.
Chapitre 1: Le sommeil et la polysomnographie

Classification automatique en stades du sommeil Page 6
lectrolytique et que l'on attache sur la peau l'aide de papier adhsif (Figure 1); et d'autre part,
les lectrodes jetables d'Ag/AgCl plus pratiques puisqu'elles contiennent dj leur propre gel
lectrolytique et qu'elles sont auto-adhsives (Figure 2).


Figure 1 Photographies d'lectrodes en forme de coupe constitues de mtal noble (or)



Figure 2 Reprsentations et photographies d'lectrodes flottantes d'Ag/AgCl

La disposition de ces lectrodes sur le cuir chevelu se fait d'aprs le systme international 10-20
de Jasper illustr la Figure 3 [11]. Dans ce systme, les positions sont dfinies en divisant les
lignes crniennes des plans mdian et transversal, en segments de 10 et 20 pourcents de leur
longueur. Ces positions sont reprsentes par des lettres obissant la logique suivante: A=
apophyse mastode
2
ou lobe de l'oreille, C=central, Pg=nasopharyngeal, P=parital, F=frontal,
Fp=frontal polar, O=occipital, T=temporal et z=axe central (ex: Fz=lectrode frontale centrale).


Figure 3 Systme international 10-20 de Jasper. D'aprs
http://butler.cc.tut.fi/~malmivuo/bem/bembook/00/pr.htm (consult le 07/01/2007)

2
L'apophyse mastode correspond l'extrmit postrieure de l'os temporal situe en arrire du conduit auditif
externe
Chapitre 1: Le sommeil et la polysomnographie

Classification automatique en stades du sommeil Page 7
Les signaux ainsi obtenus prsentent des oscillations plus ou moins rgulires en fonction de la
synchronisation des cellules corticales. Leurs amplitudes sont de l'ordre de 10 200 V et leurs
frquences vont typiquement de 0.5 50 Hz.

On distingue 5 catgories principales d'ondes EEG en fonction de leurs rythmes et amplitudes
(Tableau 1 et Figure 4):

Les ondes bta sont prsentes lorsque l'on est veill et que l'on garde les yeux ouverts.
Elles apparaissent de manire symtrique sur la tte et leurs amplitudes sont faibles.

Le rythme sigma est particulier puisqu'il correspond un micro vnement spcial du
sommeil appel fuseau (voir paragraphe 1.2.2.1).

Le rythme alpha est une activit normale d'un adulte veill, mais il est surtout prsent
lorsque l'individu se relaxe et garde les yeux ferms. Il apparat simultanment des deux
cots de la tte gnralement plus vers l'arrire qu' l'avant, et est donc mieux visualis
sur un EEG occipital (Oz-A1) que sur un EEG central (Cz-A1) ou Frontal (FP1-A1). Il
disparat ds que le sujet ouvre les yeux ou en cas d'activit mentale.

L'activit thta peut aussi bien tre normale qu'anormale en fonction de l'ge et de la
pathologie de la personne. En effet, elle est tout fait naturelle s'il s'agit d'un adulte et
que celui-ci est endormi. Par contre, si ce dernier est parfaitement veill, la prsence
d'ondes thta peut tre le signe d'un dysfonctionnement du cerveau.

Le rythme delta n'est normal que si l'individu est plong dans un sommeil profond. Les
ondes correspondantes prsentent alors des amplitudes gnralement plus leves que
pour toutes les autres ondes et sont plus marques sur un EEG frontal (FP1-A1) que
central (Cz-A1).

Frquences (Hz) Amplitudes (V)
Les ondes delta 0.5 - 3 20-200
Les ondes thta 3 - 8 5-100
Les ondes alpha 8 - 12 20-60
Les ondes sigma 12 - 14 5-100
Les ondes bta 14 - 45 2-20
Tableau 1 Cinq catgories d'ondes EEG classes selon leur rythme

Une fois dtects, les signaux lectroencphalographiques sont envoys vers un dispositif de
prtraitement qui les amplifie et les filtre de manire liminer un maximum d'interfrences.

La constante de temps recommande par les rgles de Rechtschaffen et Kales [8], est de 0.3
seconde. Celle-ci correspond un filtre passe-haut de 0.5 Hz. Le filtrage passe-bas utilis doit
quant lui permettre de bien visualiser les ondes rapides du rythme bta tout en liminant les
interfrences haute frquence provenant notamment des EMG. Une frquence de coupure
autour de 70 Hz est donc recommande [12]. Enfin, des rejecteurs de frquence 50 Hz sont
couramment utiliss afin d'liminer l'interfrence rseau.

Historiquement, le rglage du gain de la chane d'acquisition s'effectuait de manire obtenir
une dflexion de la plume de la table traante de 7.5 10 mm pour un signal de 50V [8]. Ceci
Chapitre 1: Le sommeil et la polysomnographie

Classification automatique en stades du sommeil Page 8
permettait de bien visualiser les ondes de faibles amplitudes sans que les plumes des diffrents
signaux ne s'entrechoquent.

Maintenant que la plupart des polygraphes sont numriss, le rglage du gain s'effectue au
moment de l'acquisition (il est de toute faon possible de modifier la sensibilit au moment de
la relecture). Il est alors recommand de digitaliser les signaux EEG en utilisant une
quantification sur 2
12
niveaux de manire obtenir une rsolution suffisante [13]. De plus la
frquence d'chantillonnage doit tre au minimum de 200 Hz lorsque des filtres passe-haut de
70 Hz sont utiliss
3
, et ce afin de respecter la rgle de Nyquist.


Figure 4 Cinq catgories d'ondes EEG classes selon leur rythme

3
Notons que bien souvent, un filtre passe-haut limit 35 Hz est utilis, limitant alors de la frquence
d'chantillonnage minimale 100Hz.
Chapitre 1: Le sommeil et la polysomnographie

Classification automatique en stades du sommeil Page 9
1.2.1.2 L'lectrooculogramme (EOG)
L'lectrooculogramme (EOG) est l'enregistrement des variations de potentiel induites lors de
mouvements oculaires.

En effet, l'arrire de l'oeil (ct rtine) est charg ngativement par rapport l'avant de l'oeil
(ct corne). Cette diffrence de potentiel est de l'ordre de 0,4 1 mV (Figure 5). Lors d'un
mouvement oculaire, l'axe du diple corno-rtinien change de position, gnrant des
variations de champs lectriques autour des yeux. Ces variations peuvent tre mesures l'aide
d'lectrodes de surface (lectrodes flottantes d'Ag/AgCl) places proximit.


Figure 5 L'il, diple lectrique

En disposant ces lectrodes au niveau des canthi
4
latraux infrieur gauche et suprieur droit et
en utilisant une mme lectrode de rfrence sur la mastode, les signaux obtenus doivent tre
en opposition de phase puisqu'ils correspondent aux mouvements de l'il droit et de l'il
gauche qui sont binoculairement synchrones (Figure 6).

EOG oeil droit
EOG oeil gauche

Figure 6 Disposition des lectrodes EOG

Les amplitudes des lectrooculogrammes sont comparables celles des EEG. Ainsi, les
paramtres de leur chane d'acquisition seront identiques, l'exception toutefois du filtre passe-
bas qui peut tre limit 15 Hz tant donn qu'il n'existe pas de composante aussi rapide dans
les EOG [12].
1.2.1.3 L'lectromyogramme (EMG)
Les potentiels biolectriques mesurs en lectromyographie correspondent aux potentiels
d'action des fibres musculaires. Bien que ce potentiel soit trs faible pour une seule fibre (< 100
V), l'innervation simultane de plusieurs fibres musculaires par un mme motoneurone induit
une diffrence de voltage suffisante pour tre dtecte par une paire d'lectrodes sur la peau.

4
On nomme canthus l'angle de l'il ou la commissure des paupires.

Chapitre 1: Le sommeil et la polysomnographie

Classification automatique en stades du sommeil Page 10
Lors de l'acquisition de l'activit du muscle mentonnier, ces deux lectrodes sont positionnes
sous la houppe
5
du menton (Figure 7). Une troisime lectrode est galement couramment
utilise en tant que terre. Par contre, en cas d'introspection des mouvements de jambes, ces
lectrodes sont disposes sur les muscles antrieurs du tibia comme l'illustre la Figure 7.


Figure 7 Disposition des lectrodes EMG (en bleu)

Les lectromyogrammes ainsi obtenus prsentent des valeurs allant de O.1 5 mV tandis que
leurs frquences s'tendent typiquement de 2 Hz 10 kHz.

Bien que ces frquences soient nettement suprieures celles des EEG, l'utilisation d'un filtre
passe-bas de frquence de coupure gale 120 Hz est largement suffisante sachant que seule
l'enveloppe basse frquence de l'EMG est utile pour l'analyse du sommeil. La constante de
temps recommande par les rgles de Rechtschaffen et Kales [8] est quant elle gale 0.1 s,
soit un filtre passe haut de 1.5 Hz.

tant donn que les amplitudes des lectromyogrammes peuvent atteindre des valeurs trs
faibles durant du sommeil, il est conseill d'utiliser un gain lev lors de l'acquisition des EMG.
Ainsi, pour des systmes analogiques avec table de traage, il est prfrable de rgler le gain de
sorte qu'une dflexion de plume de 14 15 mm soit obtenue pour un signal de 50 V [8].

En ce qui concerne les systmes numriques, les valeurs du pas de quantification et de la
frquence d'chantillonnage sont gnralement gales celles tablies pour l'acquisition des
EEG. Un petit rcapitulatif de ces valeurs est repris dans le Tableau 2.


Constante de temps
(filtre passe-haut)
Filtre
passe-bas
Sensibilit analogique
Frquence minimale
d'chantillonnage
Quantification
EEG 0.3s (0.5 Hz) 60-75 Hz 7.5-10 mm pour 50 V 200 Hz sur 12 bits
EOG 0.3s (0.5 Hz) 15 Hz 7.5-10 mm pour 50 V 200 Hz sur 12 bits
EMG 0.1s (1.5 Hz) 120 Hz 14-15 mm pour 50 V 200 Hz sur 12 bits
Tableau 2 Paramtres minima de la chane d'acquisition des signaux PSG

5
La houppe du menton est le muscle releveur du menton (aussi nomm incisif infrieur) qui nat au niveau de la
face antrieure du maxillaire infrieur, juste en dessous des racines dentaires, puis se dirige vers le haut en
recouvrant le menton et se termine dans la lvre infrieure.
Chapitre 1: Le sommeil et la polysomnographie

Classification automatique en stades du sommeil Page 11
1.2.2 Cotation en stades du sommeil
Les signaux polysomnographiques enregistrs pendant que nous dormons prsentent certaines
caractristiques permettant de reconnatre la succession des diffrents stades de sommeil.

D'aprs les rgles de Rechtschaffen et Kales [8], seuls un lectroencphalogramme (la drivation
C4/A1 ou C3/A2), deux lectrooculogrammes (gauche et droit), et un lectromyogramme
mentonnier suffisent tablir cette cotation en stades.

Selon ces rgles, l'enregistrement doit tre dcoup en poques de 20 ou 30 secondes
6
. Puis,
chacune de ces priodes se voit attribuer un stade de sommeil en fonction des caractristiques
qu'elle prsente et des poques qui l'entourent. Si deux stades de sommeil sont prsents sur une
mme priode, la cotation retenue sera celle qui occupe la majeure partie de celle-ci.
1.2.2.1 Les diffrents stades de sommeil
Dans ce paragraphe, nous allons dcrire brivement les diffrents stades de sommeil en accord
avec le manuel de Rechtschaffen et Kales [8].

Le stade de veille (W) possde divers aspects selon que le sujet est veill les yeux ouverts, ou au
repos les yeux ferms. Dans le premier cas (veille active), les ondes crbrales sont trs rapides
avec des frquences de plus de 15 Hz (rythme bta). De nombreux mouvements oculaires sont
observs et le tonus musculaire est son maximum (Figure 8). Dans le second cas (veille
relaxe), c'est le rythme alpha (de 8 12 cycles par seconde) qui prdomine sur les rgions
postrieures des deux hmisphres. Le sujet est alors paisible, mais ne dort pas. S'il ouvre les
yeux, le rythme alpha disparat et est remplac par des ondes bta.


Figure 8 Trac typique d'un stade de veille


6
Historiquement, cette priode de 20 ou 30 secondes correspondait l'enregistrement d'une page de 30 cm sur
une table traante dont la vitesse de dfilement tait gale 15mm/s ou 10mm/s. Indpendamment de ce facteur
technique, il semblerait que cette priode soit un bon compromis entre le temps de lecture et la qualit de la
classification.
Chapitre 1: Le sommeil et la polysomnographie

Classification automatique en stades du sommeil Page 12
Le stade 1 (S1), est le stade de transition entre l'veil et le sommeil. Il se caractrise par un
ralentissement du rythme alpha sur l'EEG et par l'apparition d'ondes plus lentes de bas voltage:
les ondes thta (Figure 9). Les muscles se relchent progressivement, hormis de petits
tressaillements survenant de temps autre; la respiration ainsi que le rythme cardiaque se
ralentissent; et quelques mouvements oculaires lents peuvent avoir lieu.


Figure 9 Trac typique d'un stade 1

Le stade 2 (S2), stade de sommeil confirm, se caractrise par l'apparition d'ondes spcifiques
sur l'lectroencphalogramme (Figure 10). Il s'agit d'une part des fuseaux du sommeil qui sont
des bouffes d'onde sinusodale de frquence comprise entre 12 et 14 Hz, dont l'amplitude crot
et dcrot et dont la dure minimale est de 0.5 seconde; et d'autre part des complexes K qui
sont forms d'une onde ngative assez aige suivie d'une composante positive plus lente. Les
complexes K ont une dure d'au moins une demi-seconde. Ils peuvent tre gnrs de manire
spontane ou apparatre en rponse divers stimuli (bruit, lumire, etc.).


Figure 10 Trac typique d'un stade 2
c o m p l e x e K
f u s e a u x
Chapitre 1: Le sommeil et la polysomnographie

Classification automatique en stades du sommeil Page 13
Lors du stade 3 (S3), les ondes delta de haut voltage ( 75 V crte crte) occupent entre 20 et
50% de la priode EEG considre (Figure 11). Le sommeil devient alors de plus en plus
intense jusqu' atteindre le stade 4 (S4), stade de sommeil profond essentiellement constitu
d'ondes delta (Figure 12). Dans ces 2 phases, les fuseaux peuvent persister sur l'EEG, les muscles
sont totalement relchs, les mouvements oculaires sont absents et la respiration se fait lente et
rgulire.


Figure 11 Trac typique d'un stade 3 (sur cette figure, les ondes EOG observes ne correspondent pas
des mouvements oculaires, mais bien des interfrences EEG)


Figure 12 Trac typique d'un stade 4 (sur cette figure, les ondes EOG observes ne correspondent pas
des mouvements oculaires, mais bien des interfrences EEG)

Le stade REM est souvent appel sommeil paradoxal parce qu'il prsente une atonie
musculaire propre au sommeil profond alors que l'activit crbrale est trs intense. En effet,
l'EEG est semblable celui du stade 1 avec des ondes rapides et de faibles amplitudes. Des
bouffes de mouvements oculaires rapides sont observes sur les EOG (d'o le nom REM:
Rapide Eye Movements) et comme nous l'avons signal, il y a abolition du tonus musculaire du
menton (Figure 13).
Chapitre 1: Le sommeil et la polysomnographie

Classification automatique en stades du sommeil Page 14


Figure 13 Trac typique d'un stade REM

Au cours du sommeil paradoxal, il est galement possible de voir apparatre un type particulier
d'ondes lectroencphalographiques appeles ondes en dents de scie. Celles-ci se prsentent
gnralement en groupes avec des frquences de l'ordre de 4 Hz et possdent des fronts d'ondes
assez raides (Figure 14).


Figure 14 Ondes en dents de scie
1.2.2.2 Architecture normale du sommeil
La succession des diffrents stades de sommeil au cours de la nuit est assez prvisible. Un jeune
adulte en bonne sant dbute gnralement sa nuit par une priode de somnolence qui dure de
1 7 minutes. Durant cette premire phase, il est facile de rveiller le dormeur. Il suffit pour
cela de prononcer son nom voix basse ou de fermer discrtement une porte. Puis, le dormeur
entre en stade 2. Cet tat dure 10 25 minutes et requiert des stimuli plus importants pour
rveiller le sujet. Ensuite, le sommeil s'approfondit passant successivement du stade 3 au stade
4. Pendant ces phases de sommeil profond, l'organisme synthtise des protines et des
glycognes, reconstituant ainsi les stocks d'nergie ncessaire une journe d'veil. Il est alors
difficile de rveiller le dormeur et si l'on y arrive, celui-ci se montre souvent extrmement
confus. Cette priode persiste de 30 60 minutes, aprs quoi le sujet allge habituellement son
sommeil (il repasse par les stades 2 et 1), puis se plonge dans une phase de sommeil paradoxal
pour une dure assez brve de 3 4 minutes. Cette phase de sommeil est souvent associe aux
rves. Non pas qu'il soit impossible de rver pendant les autres stades, mais parce que les rves y
sont plus labors. En effet, si l'on veille le sujet durant cette priode, celui-ci se souvient avec
prcision de ses rves tandis que pour les autres phases il n'est capable de raliser qu'un maigre
compte rendu totalement flou de ses aventures.

Ce cycle de plus ou moins 90 minutes se rpte 4 5 fois au cours d'une nuit. Toutefois, la
proportion de sommeil lent, plus importante en dbut de nuit, diminue progressivement
Chapitre 1: Le sommeil et la polysomnographie

Classification automatique en stades du sommeil Page 15
jusqu' disparatre au bout du troisime ou quatrime cycle. Inversement, les pisodes de
sommeil paradoxal qui sont assez brefs en dbut nuit s'allongent au fur et mesure de celle-ci.

Pour apprcier au mieux l'architecture du sommeil, il est courant de retracer l'volution
chronologique de ses diffrents stades dans un graphique que l'on appelle hypnogramme
(Figure 15). Celui-ci reprend les heures coules depuis le dbut de la nuit en abscisse, et en
ordonne les diffrents stades de sommeil rencontrs (veille, REM, S1, S2, S3, S4).
L'hypnogramme est un outil pratique, car il permet en un coup d'il de juger de la qualit de la
nuit. En effet, il met parfaitement en vidence la quantit de sommeil profond, la latence
l'endormissement, le nombre d'veils, etc.


Figure 15 Hypnogramme typique d'un jeune adulte en bonne sant
1.2.2.3 Facteurs influenant la composition du sommeil
Chez le jeune adulte en bonne sant, la proportion des diffrents stades de sommeil au cours de
la nuit est approximativement la suivante [14]:

de 2 5% pour le stade 1;
de 45 55% pour le stade 2;
de 3 8% pour le stade 3;
de 10 15% pour le stade 4;
de 20 25% pour le stade REM.

Toutefois, la composition du sommeil peut tre influence par divers facteurs. Parmi ceux-ci:

L'individu lui-mme. Si la dure moyenne d'une nuit de sommeil d'un jeune adulte est
approximativement de 7h45, celle-ci peut fortement varier d'un individu l'autre. On
distingue les gros dormeurs qui ont besoin de 9 10 heures de sommeil par nuit, et les
petits dormeurs pour lesquels 4 6 heures de sommeil suffisent. Ainsi, la dfinition
d'une bonne nuit de sommeil ne se base pas uniquement sur la quantit d'heures
passes dormir, mais aussi et surtout sur le ressenti subjectif du sujet d'avoir ou non
bien dormi et d'tre en parfaite forme physique et intellectuelle.

L'ge. L'hypnogramme d'un enfant est totalement diffrent de celui de l'adulte. Tout
d'abord parce que la dure des cycles n'est pas la mme (50 minutes chez le nouveau n,
70 minutes chez l'enfant de 2 mois 3 ans et 90 minutes aprs 3 ans), ensuite parce
que leur composition est diffrente. Par exemple, on ne distingue que deux phases de
sommeil chez le nourisson: le sommeil agit (proche du stade REM) et le sommeil calme
(comparable au stade profond). Dans le cadre de ce travail, seul le sommeil des adultes
sera considr.

L'environnement. Il est prfrable de dormir dans un endroit calme o la temprature
est comprise entre 16 et 19 C. Des tempratures ambiantes trop faibles ou trop leves
diminuent les phases de sommeil lent profond (S3 et S4) et de sommeil paradoxal.
Chapitre 1: Le sommeil et la polysomnographie

Classification automatique en stades du sommeil Page 16

L'alimentation. Il est conseill de manger lger le soir et d'viter de prendre des
boissons cafines (caf, th, coca, etc.) avant d'aller dormir car ces dernires stimulent
l'activit crbrale et peuvent influencer sur le sommeil.

L'ingestion de mdicaments. La plupart des drogues couramment utilises affectent la
distribution des stades de sommeil. Par exemple, la majorit des antidpresseurs tend
supprimer les phases de sommeil profond.

Les pathologies. Comme on peut s'y attendre, les troubles du sommeil ont un impact
sur la dure et la qualit de la nuit, ainsi que sur la structure et la distribution du
sommeil. Parmi les pathologies les plus courantes, citons les insomnies qui se
caractrisent par des difficults l'endormissement, de nombreux veils nocturnes ou
des nuits de sommeil trop courtes (Figure 16). Nous pouvons galement mentionner le
syndrome d'apne du sommeil caractris par des arrts de la respiration tout au long de
la nuit. Pour ces patients, le sommeil se trouve fragment par de nombreux veils (ou
des micro-veils) qui leur permettent de reprendre leur respiration, mais qui empchent
gnralement l'approfondissement du sommeil jusqu'au stade 4 (Figure 17). Enfin,
soulignons le cas particulier des patients narcoleptiques qui dbutent directement leur
nuit par du sommeil paradoxal et qui prsentent de nombreuses vagues de somnolence
diurnes (Figure 18).


Figure 16 Hypnogramme d'un patient insomniaque, extrait de [12]


Figure 17 Hypnogramme d'un patient apnique, extrait de [12]

Figure 18 Hypnogramme d'un patient narcoleptique, d'aprs http://www.institut-sommeil-vigilance.com
Chapitre 1: Le sommeil et la polysomnographie

Classification automatique en stades du sommeil Page 17
1.3 L'analyse automatique
l'heure actuelle, l'analyse des signaux polysomnographiques est encore souvent ralise par un
oprateur humain. Pourtant, l'attribution d'un stade de sommeil chacune des 1500 priodes
que compte en moyenne une nuit d'enregistrement, est une tche longue et fastidieuse. Mme
pour un oprateur averti cela reprsente parfois plus de 2 heures de travail.

Ainsi, on imagine assez bien l'intrt de l'utilisation d'un procd de classification automatique.
Son avantage est double: un gain de temps (et donc d'argent), mais aussi la garantie de
constance des rsultats. En effet, la cotation humaine prsente des taux de variabilit inter et
intra cotateur levs, en raison notamment de la difficult attribuer un stade de sommeil aux
priodes transitoires. Le procd de classification automatique permet, de par son caractre
dterministe, de garantir un rsultat constant pour un mme trac polysomnographique.

La cotation automatique en stades du sommeil comporte 3 grandes tapes (Figure 19):

L'limination des artefacts. Il s'agit de dtecter et d'ventuellement corriger les artefacts
prsents dans les signaux polysomnographiques. Ces artefacts peuvent tre dus une
interfrence rseau, un mouvement, ou de la transpiration par exemple;

L'extraction de caractristiques (ou d'attributs selon la terminologie anglo-saxonne
features). Il s'agit de dterminer les caractristiques les plus discriminantes pour chaque
priode de sommeil afin de les prsenter en entres du classificateur;

La classification en stades du sommeil proprement dite. Celle-ci peut tre effectue
l'aide de rseaux de neurones, d'arbres de dcisions, etc.


Figure 19 Etapes de la classification automatique en stades du sommeil

Les chapitres qui vont suivre seront consacrs la description de ces diffrentes tapes. Pour
chacune d'elles, les mthodes couramment utilises dans la littrature seront brivement
prsentes, aprs quoi, les procds utiliss dans le cadre de ce travail seront dcrits.


Classification automatique en stades du sommeil Page 18



Chapitre 2
Dtection et correction
d'artefacts

Les artefacts sont dfinis comme des phnomnes d'origine artificielle ou accidentelle,
rencontrs lors d'une observation ou d'une exprience (dictionnaire Larousse, 1990).

Leur prsence sur les enregistrements polysomnographiques est courante. Une enqute ralise
dans le cadre du projet DREAMS, par le Docteur M. Kerkhofs de l'Hpital Andr Vsale de
Charleroi montre que sur 44 tracs de patients atteints de pathologies diverses, 22% d'entre eux
prsentent plus de 10% d'poques avec artefacts.

Parmi les principaux types d'artefacts rencontrs, citons:

L'artefact mouvement jambe/menton sur l'EEG (73%);
L'interfrence cardiaque sur les autres signaux PSG (11%);
L'artefact EOG sur l'EEG (2%);
L'ondulation lente sur l'EEG (18%);
L'artefact pointe sur l'EEG (36%);
Les artefacts divers sur les EOG (11%);
Les artefacts divers sur l'EEG (18%).

Pour viter que ces artefacts interfrent sur la classification automatique en stades du sommeil,
il est primordial de les liminer des signaux PSG avant tout application de procds d'extraction
de caractristiques.

2.1 tat de l'art
Les mthodes de dtection d'artefacts rencontres dans la littrature sont trs varies. Plusieurs
d'entre elles utilisent des modles autorgressifs adaptatifs pour reprer les changements
brusques de stationnarit du signal EEG ([15], [16]). D'autres calculent la corrlation existante
entre deux signaux polysomnographiques pour dtecter par exemple la prsence d'interfrence
EOG sur l'EEG ([17]). Quelques mthodes utilisent un oprateur d'nergie non linaire pour
en dduire un certain nombre de variables confrontes ensuite des valeurs limites ([18], [19]).
Enfin, plusieurs procds comparent directement les amplitudes des signaux
polysomnographiques des seuils, afin de dtecter les valeurs trop excessives ([17], [19], [20]).

Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 19

En ce qui concerne la correction d'artefacts, le nombre d'ouvrages traitant du sujet nous a
sembl plus limit. Quelques tudes s'hasardent effectuer la correction des artefacts EOG sur
l'EEG ([16], [21]), mais la plupart des travaux rencontrs concerne surtout la correction de
l'interfrence cardiaque prsente sur les autres signaux PSG ([18], [22]).

2.2 Procds d'limination des artefacts
Dans le cadre de ce travail, nous avons tendu la signification du mot artefact tout ce qui
pouvait gner l'extraction de caractristiques discriminantes en vue d'une classification
automatique en stades du sommeil. Ceci comprend notamment les ondes pointes qui
apparaissent lors de crises d'pilepsie et qui ne sont pas en tant que telles des phnomnes
d'origine artificielle ou accidentelle.

Parmi ces artefacts, nous avons opr la distinction entre ceux de courte dure n'excdant pas
quelques secondes (il s'agit de la plupart des artefacts) et ceux de plus longue dure, pouvant
persister plusieurs heures, voire toute la nuit (ce sont les interfrences cardiaques et les artefacts
ondulations lentes).

Dans le premier cas, les interfrences produites sont fortement alatoires ce qui rend difficile
voire impossible leur correction. Par contre, la dure qu'ils occupent au sein de l'poque
classer est gnralement faible. Ainsi, nous avons choisi de les carter simplement du procd
de classification en ne considrant que la partie restante du signal pour l'tape d'extraction de
caractristiques.

Dans le deuxime cas, les artefacts ne peuvent tre traits de la mme manire car ils occupent
pratiquement toutes les poques de l'enregistrement polysomnographique. Nous avons donc
dvelopp des procdures de correction spcifiques que nous prsenterons au paragraphe 2.2.2.
2.2.1 Dtection des artefacts de courte dure
Concernant la dtection des artefacts de courte dure, nous avons choisi d'examiner le signal
par tranches
7
de 1.25 sec. Ce type de fentrage nous semble tre un bon compromis entre la
dure moyenne des artefacts et l'obtention d'une tranche minimale (afin de garder un
maximum de signal pour l'extraction de caractristiques). Chacune de ces tranches se voit
attribuer la valeur 1 ou 0 selon qu'elle comporte ou non certains dfauts.

Divers procds de dtection ont t mis au point afin de couvrir les nombreuses varits
d'artefacts rencontrs. Chacun d'eux a t implment de manire s'adapter aux proprits
statistiques du signal (qui peut fortement varier d'un individu l'autre). Ainsi, les seuils utiliss
sont toujours dpendants de la valeur moyenne et de l'cart type du signal considr.
2.2.1.1 Les procds Atf_Esat, Atf_Osat et Atf_Msat
Les procds Atf_Esat, Atf_Osat et Atf_Msat sont destins dtecter les saturations des signaux
EEG, EOG, et EMG respectivement (Figure 20).


7
Dans la suite de ce travail, il convient de ne pas confondre cette fentre d'analyse de 1.25 seconde que l'on
appellera toujours "tranche", avec la priode (ou l'poque) de 20 ou 30 secondes que l'on doit classer en stades.
Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 20

Figure 20 Exemple de saturation du signal FP1- A1 8:31:04 et du signal EOG1-A1 8:31:08
(patient 9)
Principe:

Leur principe est de reprer les valeurs maximales et minimales du signal sur la totalit de
l'enregistrement et de calculer ensuite la diffrence entre ces deux valeurs: interval=max
s
-min
s
.
Puis, ds que le signal dpasse les seuils (min
s
+interval*error) ou (max
s
-interval*error) pendant plus
de time_min secondes, on considre qu'il y a saturation et donc artefact (les tranches
correspondantes sont alors mises la valeur 1).

Paramtres rglables:

Atf_Esat_error Atf_Osat_error Atf_Msat_error
Atf_Esat_time_min Atf_Osat_time_min Atf_Msat_time_min
2.2.1.2 Le procd Atf_Egd
L'oprateur Atf_Egd dtecte les augmentations inhabituelles du signal EEG, comme celles
prsentes la Figure 21.

Principe:

Dans ce but, il calcule la moyenne et l'cart-type de l'EEG sur les 5 poques entourant l'poque
courante, et ds que le signal dpasse la valeur seuil = moyenne
s
+ threshold*cart-type
s
, il considre
qu'il y a artefact.

Remarque: dans le cas prsent, nous n'avons pas calcul la moyenne et l'cart-type du signal sur
toute la nuit car le seuil rsultant tait trop lev pour les poques de faibles amplitudes (stade 1
par ex), et trop faible pour des poques d'amplitudes plus grandes (comme le stade 4). De
mme, nous n'avons pas calcul ces valeurs uniquement sur l'poque courante, car la simple
prsence d'artefact pouvait influencer les rsultats.

Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 21

Paramtre rglable:

Atf_Egd_threshold


Figure 21 Exemple d'artefact divers entranant une augmentation inhabituelle des signaux Cz-A1 et
FP1- A1 3:08:30 (patient 14)
2.2.1.3 Les procds Atf_noE et Atf_noO
Les procds Atf_noE et Atf_noO permettent de reprer les valeurs constantes des signaux
EEG et EOG. De tels artefacts sont quelques fois obtenus en fin de nuits lorsque les lectrodes
sont dconnectes (Figure 22).

Principe:

Le systme calcule tout d'abord l'cart-type sur la totalit de l'enregistrement. Ensuite les
tranches d'analyse sont examines sparment. Si l'cart entre le maximum et le minimum du
signal dans une tranche est suprieur threshold*cart-type, on considre qu'il y a artefact et la
tranche correspondante est mise 1.

Paramtres rglables:

Atf_noE_threshold
Atf_noO_threshold

Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 22

Figure 22 Exemple d'artefact "signal constant" prsent dans les signaux EEG et EOG partir de
5:26:00 (patient 12)
2.2.1.4 Le procd Atf_trans
Le procd Atf_trans permet de dtecter les transitions brusques du signal EEG telles que les
artefacts pointes (Figure 23).


Figure 23 Exemple de transition brusque des signaux C3-A1 et FP1- A1 0:44:48 (patient 12)

Principe:

Ce procd calcule la moyenne et l'cart-type du signal EEG sur les 5 poques entourant
l'poque courante, et ds que la diffrence maximale de potentiel prsente en delta secondes est
suprieure au seuil=moyenne
s
+threshold*cart type
s
, il considre qu'il y a artefact.
Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 23
Paramtres rglables:

Atf_trans_delta
Atf_trans_threshold
2.2.1.5 Le procd Atf_mvt
L'oprateur Atf_mvt est consacr la dtection des artefacts mouvement de courte dure. Ces
derniers sont caractriss par des augmentations temporaires du tonus musculaire,
accompagnes de perturbations dans le signal EEG. Ces perturbations sont de deux types: il
peut s'agir soit d'une augmentation de l'amplitude de l'EEG (Figure 24), soit d'une
augmentation de sa frquence (Figure 25).


Figure 24 Exemple d'artefact mouvement sur le signal CZ-A1 0:39:15 (patient 32)


Figure 25 Exemple d'artefact mouvement sur le signal CZ-A1 2:00:09 (patient 14)
Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 24
Principe:

Le principe de dtection de cet oprateur est d'examiner l'influence de tous les signaux EMG
sur le signal EEG. Pour cela, la moyenne et l'cart-type de l'lectroencphalogramme et des
lectromyogrammes sont calculs sur les 5 poques entourant l'poque courante. Ensuite, ds
qu'un des EMG est suprieur au seuil=moyenne
EMG
+thresholdemg*cart-type
EMG
, la mthode
considre qu'il y possibilit d'artefact. Une introspection du signal EEG a alors lieu dans les 3
tranches voisines afin de voir si son amplitude est suprieure au seuil=
moyenne
EEG
+thresholdeeg*cart-type
EEG
, ou s'il contient de petites transitions brusques (c'est--dire si
la diffrence maximale de potentiel prsente en delta secondes est suprieure au
seuil=moyenne
EEG
+threshold*cart-type
EEG
). Dans ces deux cas de figure, les tranches concernes
sont alors considres comme prsentant des artefacts.

Paramtres rglables:

Atf_mvt_thresholdemg Atf_mvt_delta
Atf_mvt_thresholdeeg Atf_mvt_threshold

2.2.1.6 Le procd Atf_phase
Les mouvements oculaires sont binoculairement synchrones. Ainsi, en plaant des lectrodes
sur les canthi latraux et en utilisant une mme rfrence sur la mastode, les enregistrements
effectus doivent apparatre en opposition de phase.

Les artefacts oculaires sont ds lors facilement identifiables puisqu'ils correspondent des
mouvements en phases des lectrooculogrammes (Figure 26).



Figure 26 Exemple d'artefact oculaire sur les signaux EOG1-A1 et EOG2-A2 6:20:23 (patient 7)



Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 25

Principe:

Pour les dtecter, les deux signaux EOG sont tout d'abord additionns de manire annuler les
mouvements en opposition de phase et amplifier les signaux en phase (artefacts). Ensuite, la
moyenne et l'cart-type du signal obtenu sont calculs. Une fois que la somme des EOG est
suprieure au seuil=moyenne
EOG1+EOG2
+thresholdampl*cart type
EOG1+EOG2
, l'artefact oculaire est
considr comme prsent.

Paramtre rglable:

Atf_phase_thresholdampl

2.2.2 Dtection et correction des artefacts de longue dure
Les deux types d'artefacts de longue dure que l'on se doit de corriger sont les ondulations
lentes et les interfrences cardiaques. Leur dtection s'effectue poque par poque de manire
ne devoir corriger que les priodes de la nuit entaches par ces dfauts (gain de temps).
2.2.2.1 Procds de dtection des ondulations lentes (Atf_ondeE et Atf_ondeO)
Les ondulations lentes qui apparaissent sur les signaux EEG et EOG sont gnralement dues
la respiration ou la transpiration (Figure 27). Celles-ci sont facilement identifiables car leurs
frquences sont infrieures celles des ondes les plus lentes du sommeil (rythme delta).


Figure 27 Exemple d'artefact "ondulations lentes" prsent sur les signaux EOG2-A1, CZ-A1 et FP1-A1
(patient 3)

Principe:

Le principe de dtection est le suivant:
Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 26

Soit d1 la frquence de dbut de la bande delta. La moyenne du signal est calcule sur l'poque
courante et soustraite du signal pour centrer les donnes autour de zro. Ensuite, les segments
dont les extrmits sont dfinies par les passages par zro du signal sont considrs. Si le
nombre de segments possdant une dure suprieure minsec*(1/d1) occupe plus de threshold
pourcent de la dure de l'poque, on considre qu'il y a artefact ondulation.

Ce principe de dtection ne peut toutefois pas tre appliqu directement aux
lectrooculogrammes pris sparment. En effet, les ondulations lentes prsentes sur les EOG
peuvent tre confondues avec celles des mouvements oculaires lents prsents
l'endormissement (Figure 28). Ainsi, leur dtection ncessite imprativement de savoir si les
deux EOG sont bien en phase. C'est pourquoi l'oprateur Atf_ondeO consacr la dtection
des ondulations lentes sur les EOG applique en ralit ce procd au signal s=EOG1+EOG2.

Paramtres rglables:

Atf_ondeE_minsec Atf_ondeO_minsec
Atf_ondeE_threshold Atf_ondeO_threshold



Figure 28 Exemple de mouvements oculaires lents du stade 1 (sujet Devuyst)

2.2.2.2 Procd de correction des ondulations lentes
Le procd de correction des ondulations lentes s'effectue page par page.

Comme les interfrences correspondantes sont de trs basse frquence (infrieure d1 Hz: le
dbut de la bande delta), il est possible de les extraire par simple filtrage. Il faut toutefois veiller
ce que la phase du filtre soit linaire afin de ne pas introduire de distorsion dans le signal.
Nous avons donc choisi d'utiliser un filtre passe-haut de type Remez dont les spcifications sont
reprises la Figure 29.
Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 27
Amplitude
1
0
0.01
0.01
d1
3*d1
Hz

Figure 29 Spcification du filtre passe-haut permettant de corriger l'artefact "ondulation lente"

Le signal de sortie est alors le signal utile dcal dans le temps. Ce dcalage est videmment
corrig tant donn que l'extraction de l'artefact ne s'effectue que sur les pages affectes.

Un exemple de rsultat obtenu aprs extraction de l'artefact ondulation lente par filtrage de
Remez est illustr la Figure 30.


Figure 30 Exemple de rsultats obtenus avant et aprs extraction de l'artefact ondulation lente
(patient10)
2.2.2.3 Procd de dtection des interfrences cardiaques (Atf_card)
L'interfrence cardiaque prsente sur les autres signaux physiologiques est due au fait que lors
des enregistrements PSG, l'lectrode de rfrence est place sur la mastode, proximit d'un
vaisseau sanguin. Il se peut ds lors que le pouls se retrouve sur toutes les drivations utilisant
cette rfrence (Figure 31). Dans ce cas, l'interfrence est gnralement prsente tout au long de
la nuit et est particulirement visible sur les enregistrements EOG. Il arrive nanmoins que
celle-ci soit moins perceptible, voire invisible, par moment.

Principe:

Le procd de dtection de l'artefact cardiaque est assez simple. Il suffit d'examiner si l'inter-
corrlation entre le signal EOG et l'lectrocardiogramme (ECG) est suprieure au seuil threshold
pour voir s'il y a oui ou non interfrence.

Paramtre rglable:

Atf_card_threshold
Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 28

Figure 31 Exemple d'interfrence du rythme cardiaque sur les autres signaux PSG (patient 2)
2.2.2.4 Procds de correction des interfrences cardiaques
En ce qui concerne la correction de l'interfrence cardiaque, trois types de procds ont t
tests et compars:

La soustraction de l'interfrence moyenne;
Le principe de sparation de source par analyse en composantes indpendantes;
Le filtrage adaptatif.

Correction par soustraction de l'interfrence moyenne

Le procd de correction par soustraction de l'interfrence moyenne s'effectue poque par
poque. Posons s(n) le signal ECG et y(n) le signal dont on doit extraire l'interfrence.

La premire tape de correction consiste reprer la position des pics d'interfrence ECG sur le
signal entach. La mthode utilise est base sur la thorie de R. Argawal et al [19]. Elle est
illustre la Figure 32 et la Figure 33.

Une fonction "frquence-nergie" (s(n)) proportionnelle la frquence et l'amplitude du
signal s(n) est tout d'abord calcule:

) 3 ( ) ( ) 2 ( ) 1 ( )] ( [ = n s n s n s n s n s

Celle-ci prsente de fortes variations lors d'une modification lgre du signal s. Ainsi, en ayant
recours une fentre coulissante dont on soustrait chaque instant n la partie gauche de la
partie droite, il est possible d'obtenir une fonction Gnleo(n) prsentant des maxima locaux
chaque variation importante d'amplitude ou de frquence du signal s:

| ) ( ) ( | (n) G
1 1
nleo
+
+ = + =
=
N n
n m
n
N n m
m m

Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 29
n n-N+1 n+N
L Fentre de
seuillage
Fentre coulissante

Figure 32 Application de la mthode de dtection de l'artefact "interfrence cardiaque" sur un signal
simple constitu principalement de sinusodes de frquences et d'amplitudes variables

Figure 33 Application de la mthode de dtection de l'artefact "interfrence cardiaque" sur une poque
de 20 secondes d'un lectrooculogramme (patient2)

Toutefois, ces maxima locaux ne correspondent pas tous des pics ECG en raison des
fluctuations inhrentes au signal s. Ds lors, pour viter d'obtenir un trop grand nombre de
maxima locaux, on utilise une seconde fentre de seuillage o chaque valeur d'chantillon
l'instant n est remplace par le maximum prsent dans la fentre [n-L/2, n+L/2] qui l'entoure.
On obtient ainsi la fonction T(n) que l'on compare ensuite la fonction Gnleo(n) de manire
ne conserver que les maxima locaux de Gnleo(n) gaux T(n) au mme instant.

Mathmatiquement, tout ceci se traduit par:

+
=
0
)] 2 / : 2 / ( max[
) (
L n L n G
n T
nleo

) 1 2 / ...( , 1 , 0
),... 1 2 / ( , 2 /
=
=
L n pour
L L n pour

=
0
) (
) (
n G
n G
nleo

) ( ) (
) ( ) (
n T n G si
n T n G si
nleo
nleo
<



Le signal G(n) ainsi obtenu nous donne la position de la plupart des pics R du signal ECG
(Figure 33).
Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 30
Il arrive nanmoins que cette fonction indique des positions supplmentaires et inexactes de
pics, ou au contraire que certains emplacements n'y figurent pas (Figure 34). Ces erreurs seront
repres, en vue de leur correction, grce une estimation de la priode cardiaque P.

Pour cela, une onde "carre" changeant de valeur chaque fois que G(n) est diffrent de zro est
construite (Figure 33). Si l'on suppose que la frquence cardiaque reste constante sur une page
d'analyse, cette fonction est pratiquement priodique (de priode double de la priode
cardiaque). Sa transforme de Fourier contient donc un maximum local dans les basses
frquences (de 2*0.5 Hz 2*1.5 Hz). Il suffit alors de calculer la frquence correspondant ce
maximum local pour en dduire une approximation de la priode cardiaque P.

Ds lors, lorsqu'un pic se trouvant plus de 1.3*P du prcdent est dtect, on ajoute une
position supplmentaire carte de 1 priode par rapport au pic antrieur. Et si deux pics sont
espacs de moins de 0.6*P, on choisit celui qui est le plus proche du point distant d'une
priode vis--vis du pic prcdent (Figure 34).

P
P
d>1.3*P
d<0.6*P
Figure 34 Suppression des pics errons et ajout des positions manquantes

videmment, les positions ainsi obtenues ne correspondent pas exactement aux lieux des
interfrences cardiaques sur le signal entach y(n). Or, des carts de quelques chantillons
peuvent tre prjudiciables pour la suite de la procdure. C'est pourquoi nous devons calculer
ce dcalage entre chaque position dtermine k* et l'endroit exact de l'interfrence k.

Pour ce faire, nous faisons varier la valeur de de -
max
+
max
, et nous choisissons la valeur qui
maximise la cross relation entre le signal y de k-R k+R et le signal G(n) de k*-R- k*+R-
(c'est--dire le qui maximise l'intgrale du produit des deux cadres rouges sur la Figure 35).

t aux
k-R
k
k*
k+R
k*-R k*+R

Figure 35 Dtermination du dcalage entre la position dtermine k*et l'endroit
exact de l'interfrence k

Une fois les positions exactes des pics d'interfrence cardiaque connues (positions K), la
deuxime tape de correction de l'artefact consiste obtenir une estimation moyenne de cette
interfrence cardiaque de manire la soustraire du signal y. Pour cela, il suffit de considrer
tous les rectangles de largeur R autour des pics de l'poque courante et d'en effectuer la
moyenne comme l'illustre la Figure 36. Il ne reste plus qu' soustraire cette estimation de
l'interfrence cardiaque moyenne du signal y aux endroits K pour obtenir le signal corrig.
Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 31
Toutefois, afin de ne pas introduire de discontinuit, il est recommand de filtrer l'interfrence
moyenne par un filtre de Hanning avant d'effectuer cette soustraction.


moyenne
Hanning

Figure 36 Estimation de l'interfrence cardiaque moyenne soustraire du signal en tous les endroits K

Un exemple de rsultat obtenu aprs extraction de l'interfrence cardiaque est repris la Figure
37.

Figure 37 Exemple de correction de l'interfrence cardiaque par soustraction de l'interfrence moyenne

Correction par analyse en composantes indpendantes

La seconde mthode de correction de l'interfrence cardiaque que nous avons teste est la
sparation de sources par analyse en composantes indpendantes.

De manire gnrale, l'objectif de la sparation aveugle de sources est d'estimer N signaux
sources s
1
(t), s
2
(t), , s
N
(t) inconnus mais supposs statistiquement indpendants, partir de la
connaissance de M signaux observs x
1
(t), x
2
(t), , x
M
(t) rsultant d'un certain mlange des
signaux sources.

Appliqu notre problme, cela revient estimer les 2 signaux sources ECG et EEG inconnus
mais supposs indpendants, partir des deux signaux de mlange dont nous disposons: l'ECG
et l'EEG entach.

Dans le cas le plus simple, le mlange est suppos linaire et instantan. Les observations
l'instant t sont donc une combinaison linaire des sources ce mme instant:

) ( ) (
1
t s a t x
j
N
j
ij i
=
= i=1M

EOG1-A1
entach
EOG1-A1
corrig
Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 32
En posant s
t
= [ s
1
(t), s
2
(t), , s
N
(t)]
T
le vecteur des sources l'instant t, et x
t
= [ x
1
(t), x
2
(t), ,
x
M
(t)]
T
le vecteur des observations ce mme instant, cette quation peut s'crire sous la forme
matricielle suivante:
x
t
= A s
t


o A est la matrice de mlange inconnue constitue des lments a
ij
et de dimension MxN
(Figure 38).
A
s(t) x(t)

Figure 38 Matrice de mlange inconnue A

La recherche des sources estimes y
t
= [y
1
(t), y
2
(t), , y
N
(t)]
T

consiste donc identifier la matrice
W inverse de la matrice A (suppose inversible) telle que:

y
t
= s
t
= W x
t
.

Cette matrice est appele matrice de sparation. Elle est illustre la Figure 39.


A W
s(t) x(t) y(t)

Figure 39 Sparation d'un mlange linaire (instantan ou convolutif)

Comon [23] a montr que celle-ci pouvait tre dtermine par la seule hypothse
d'indpendance des sources
8
. Ainsi, l'analyse en composantes indpendantes (ACI ou ICA en
anglais) s'est impose naturellement. Celle-ci consiste trouver une transformation de l'espace
de reprsentation dans lequel les composantes sont aussi indpendantes que possible.

Diffrentes mthodes existent et sont dcrites dans la littrature. Parmi celles-ci, citons l'ACI
base sur la maximisation du carr du Kurtosis [24], celle base sur la minimisation de
l'information mutuelle [25] et l'ACI base sur la maximisation de l'entropie conjointe [26] [27].

Dans le cas de mlanges linaires et instantans, ces mthodes sont relativement rapides et
faciles mettre en uvre. Malheureusement, nous avons constat que le mlange des EEG et
ECG n'est en ralit pas instantan car les pics d'interfrence sont dcals de plusieurs
chantillons par rapport aux pics du signal cardiaque.

Ainsi, il convient d'utiliser un autre modle, le modle linaire convolutif, o les observations
sont des mlanges linaires de signaux issus de sources par filtrage (filtres RIF):

) ( ) ( ) (
1
t s t a t x
j
N
j
ij i
=
= i=1M

o a
ij
(t) est la rponse impulsionnelle de la j
me
source sur le i
me
capteur.


8
Plus prcisment, Comon a montr que, dans le cas de mlanges linaires et instantans, pourvu qu'au plus une
source soit gaussienne, la seule indpendance des sources permet de reconstituer les sources, un facteur d'chelle
et une permutation prs.
Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 33
Ce type de mlange est illustr la Figure 40 dans le cas de deux sources et de deux capteurs.


Figure 40 Mlange linaire convolutif avec deux sources et trois observations

Lobjectif de la sparation de source est alors de retrouver le systme de d-mlange similaire
celui illustr la Figure 41, o les valeurs de sortie sont gales aux estimes de sources:
1
( ) ( ) ( )
N
i ij j
j
y t w t x t
=
=




Figure 41 Mlange linaire convolutif de deux sources et systme de d-mlange

Il a t prouv qu'en utilisant la notation algbrique RIF linaire
9
, ce type de problme pouvait
tre exprim par les mmes quations matricielles que celles prsentes dans le cas des mlanges
linaires et instantans:
x
t
= A s
t
y
t
= s
t
= W x
t
.

o l'lment a
ij
(t) de matrice de mlange A correspond la rponse impulsionnelle du filtre RIF
joignant la j
me
source au i
me
capteur, et o llment w
ij
(t) de la matrice W est la rponse
impulsionnelle du filtre RIF joinant le j
me
capteur la i
me
estime de source.

Ainsi, certains procds dvelopps dans le cadre des mlanges linaires instantans ont pu tre
gnraliss aux mlanges linaires convolutifs. C'est le cas de la mthode d'analyse en
composantes indpendantes base sur la maximisation de l'entropie conjointe [26] [27].

Le principe de cette mthode est de maximiser par rapport W l'entropie conjointe ) (
t
g H du
vecteur g
t
=[g
1
(t), g
2
(t), , g
N
(t)]
T
, dont les composantes ( ) ( ) ) ( ) ( ) ( t y F t y g t g
i s i i
= = sont les
estimes de sources y
i
(t) transformes par une fonction sigmodale g gale la fonction de
rpartition
s
F des sources recherches.

9
La notation algbrique RIF linaire est une notation o les lments des matrices sont des filtres RIF plutt que
des scalaires et o le produit de deux lments de matrice est remplac par leur convolution.
Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 34
[10 0 0 0 0... ]
impulse
h =
[10 0 0 0 0... ]
impulse
h =
Dans le cas convolutif, cela implique de travailler avec une architecture de rseau telle
qu'illustre la Figure 42.


Figure 42: Architecture de rseau pour l'ACI base sur la maximisation de l'entropie conjointe

Pour plus de dtails concernant cette mthode, nous invitons le lecteur intress lire le
document [28] ralis dans le cadre du projet DREAMS la Facult Polytechnique de Mons.

Retenons simplement que ce type d'algorithme prsente quelquefois de grosses difficults
converger, surtout lorsque la frquence d'chantillonnage des signaux concerns est leve.
C'est pourquoi nous avons tent de simplifier le problme en ajoutant une hypothse
supplmentaire, afin de faciliter la convergence du procd.

De fait, nous avons suppos que l'interfrence cardiaque rsulte d'une matrice de mlange de la
forme:
0
impulse
qcq impulse
h
h h
| |
=
|
\
A

o
impulse
h
est la rponse impulsionnelle d'un filtre ne modifiant pas le signal d'entre


et
qcq
h
est un filtre de rponse impulsionnelle quelconque.

Cette hypothse est tout fait lgitime puisqu'elle revient supposer que le signal cardiaque
n'est pas modifi en lui-mme et que l'interfrence prsente sur les autres signaux PSG est en
ralit constitue d'une partie de cette ECG qui est filtre et qui vient s'ajouter au signal
concern.

Dans ce cas, la matrice de d-mlange recherche doit tre de la forme:

0
impulse
impulse
h
h h
| |
=
|
\
W

o
impulse
h
est de la forme
h est un filtre dont la rponse impulsionnelle est dterminer

Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 35
Ainsi, seules les composantes du filtre correspondant l'lment (2,1) de cette matrice de d-
mlange sont dterminer, ce qui simplifie largement le problme et acclre la convergence.

Un exemple de rsultats obtenus suite l'application de ce procd "simplifi" est repris la
Figure 43 .



Figure 43 Exemple de correction de l'interfrence cardiaque par analyse en composantes indpendantes


Correction par filtrage adaptatif

Finalement, le postulat que le signal entach soit simplement constitu du vrai signal
polysomnographique s(n) auquel s'est ajout un bruit b(n), nous a amens tester un troisime
procd de correction de l'interfrence cardiaque, savoir, le filtrage adaptatif (Figure 44).


Figure 44 Procd de correction de l'interfrence cardiaque par filtrage adaptatif

Dans cet algorithme, nous prsumons toujours que l'interfrence cardiaque correspond une
version filtre de l'lectrocardiogramme. Par ailleurs, deux nouvelles hypothses sont poses. La
premire est que le signal utile s(n) est non corrl au bruit b(n) (ou son estime y(n)), et la
seconde est que la moyenne du bruit E[b(n)] est gale la moyenne de son estime E[y(n)].
Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 36
Dans ce cas, la minimisation de lerreur quadratique E[e(n)
2
] conduit l'obtention du vrai signal
polysomnographique corrig de toute interfrence cardiaque, puisque:

E[e(n)
2
] = E[( s(n) +b(n)-y(n) )
2
] = E[s(n)
2
] + E[(b(n)-y(n) )
2
] +2 E[s(n) (b(n)-y(n))]
= E[s(n)
2
] + E[(b(n)-y(n) )
2
] +2 E[s(n) b(n)] 2 E[s(n) y(n)]
= E[s(n)
2
] + E[(b(n)-y(n) )
2
]

min ( E[e(n)
2
] )= min( E[(b(n)-y(n) )
2
] )
Cette minimisation entrane que b(n) = y(n), et donc que e(n) = s(n)

Ce minimum peut tre obtenu en calculant la solution de Wiener-Hopf. Les rsultats de
correction obtenus au moyen de cette mthode sont illustrs la Figure 45.


Figure 45 Exemple de correction de l'interfrence cardiaque par filtrage adaptatif

Comparaison de ces trois procds de correction

Lorsque l'on compare ces trois procds de correction de l'artefact cardiaque, on constate que la
mthode base sur la soustraction de l'interfrence moyenne est la moins performante parce
qu'elle laisse couramment subsister des pics d'interfrence (Figure 46).


Figure 46 De haut en bas: ECG, EEG entach de l'interfrence cardiaque, EEG corrig par
soustraction de l'interfrence moyenne, EEG corrig par ACI, EEG corrig par filtrage adaptatif

Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 37
Les mthodes bases sur l'analyse en composantes indpendantes et sur le filtrage adaptatif
donnent quant elles des rsultats tout fait comparables et satisfaisants, bien que leur critre
de sparation soit diffrent.

L'algorithme du filtrage adaptatif ncessite nanmoins une ou deux poques de 20 secondes
pour s'adapter. Pourtant, on prfrera ce procd celui bas sur l'analyse en composantes
indpendantes en raison de son extrme rapidit.
2.3 Rsultats des procds de dtection/correction d'artefacts
Au final, quatorze procds de dtection/correction d'artefacts ont t programms, portant le
nombre de paramtres rglables 23. La valeur optimale de chacun de ces paramtres a t
tablie exprimentalement de manire reprer un maximum d'artefacts sans exagrer le
nombre de fausses dtections.

L'valuation des rsultats a t faite visuellement. Ceux-ci semblent tout fait satisfaisants
comme nous le verrons sur les quelques captures d'cran prsentes ci-dessous. Toutefois, cette
interprtation reste subjective. Il serait bon de vrifier ces taux de bonnes et fausses dtections
de manire rigoureuse, au dpart d'une base de donnes cotes en artefacts par des experts.
Ceci fera l'objet d'un travail ultrieur.

Les captures d'cran prsentes ci-dessous reprennent des extraits de signaux PSG de patients
contenant divers artefacts, ainsi que les rsultats obtenus par les diffrents procds de
dtection.

La Figure 47 illustre la prsence d'un artefact quelconque sur le signal CZ-A1 l'instant
2:35:08. Nous constatons que le procd Atf_mvt dcle bien qu'il ne s'agissait pas d'un artefact
mouvement (puisque sa valeur est 0) car l'EMG ne prsente pas d'augmentation de tonus
musculaire. Par contre, les procds Atf_trans et Atf_Egd permettent de reprer cet artefact en
dtectant des transitions brusques ou des augmentations d'amplitude inhabituelles de l'EEG
(les valeurs des tranches correspondantes sont mises 1).


Figure 47 Rsultats de dtection de l'artefact prsent sur le signal CZ-A1 2:35:08
Chapitre 2: Dtection et correction d'artfacts

Classification automatique en stades du sommeil Page 38
Sur la Figure 48, nous constatons que parmi les mouvements en opposition de phase des EOG
(correspondant aux mouvements oculaires), se cache un mouvement en phase correspondant
un artefact (en 0:26:06). Ce dernier a parfaitement t dtect par le procd Atf_phase
puisque seule la tranche correspondante possde la valeur 1. D'autre part, nous voyons que les
procds Atf_mvt, Atf_trans et Atf_Egd ont permis de dceler la prsence d'un artefact
mouvement sur la drivation CZ-A1 l'instant 0:26:06.


Figure 48 Rsultats de dtection de l'artefact mouvement prsent sur le signal CZ-A1 0:26:06, et de
l'artefact en phase prsent sur les EOG au mme instant

Enfin, la Figure 49 expose le cas d'une interfrence ondulation lente prsente tout au long de
l'poque sur les lectrooculogrammes. Celle-ci a parfaitement t dtecte par le procd
Atf_ondeE. Toutefois sa correction n'est pas visible sur cette figure. En effet, le but tait de
mettre en vidence la prsence ou non de cet artefact. Finalement, nous pouvons constater que
l'artefact "mouvement en phase" observ 2:18:53 sur l'EOG a galement bien t dtect par le
procd Atf_phase.


Figure 49 Rsultats de dtection de l'artefact ondulation lente prsent sur toute l'poque de l'EOG et de
l'artefact transition brusque prsent sur l'EOG galement 2:18:53

Classification automatique en stades du sommeil Page 39



Chapitre 3
Extraction de caractristiques

Une fois le traitement des artefacts effectu, la seconde tape d'une classification automatique
en stades du sommeil consiste en l'extraction des caractristiques de chaque poque
d'enregistrements polysomnographiques (Figure 50). Ces caractristiques (galement appeles
attributs ou features) doivent tre les plus discriminantes possible tant donn qu'elles serviront
de base pour le systme de classification proprement dit.


Figure 50 tapes de la classification automatique en stades du sommeil

3.1 tat de l'art
Les techniques d'extraction rencontres dans la littrature s'appliquent soit dans le domaine
temporel, soit dans le domaine frquentiel, soit dans ces deux domaines simultanment.

Parmi les mthodes temporelles, citons les modles autorgressifs utiliss dans [12], [19], [29] et
[30]. Ceux-ci modlisent la valeur courante du signal PSG comme une combinaison linaire des
chantillons prcdents. Les coefficients de rgression correspondant peuvent alors directement
servir d'attributs. Ensuite, nous avons les procds stochastiques qui considrent le signal
chantillonn comme un processus alatoire ([19], [29], [31] et [32]). Les caractristiques qui en
sont dduites sont par exemple l'cart-type du signal PSG, sa valeur moyenne, son amplitude
moyenne, ses moments d'ordre 3 et 4, ou encore ses paramtres de Hjorth (activit, mobilit et
complexit). Enfin, citons la mthode des creux et valles qui remplace le signal par une
succession de segments joignant ses extrema et qui calcule les temps de monte, les temps de
descente, les courbures au sommet, etc. [29].

Parmi les mthodes frquentielles rencontres, la plus rpandue est la transforme de Fourier
court terme gnralement calcule au moyen de la transforme de Fourier rapide (FFT - Fast
Fourier Transform) ([33], [34]). Applique une poque de signal, celle-ci permet d'en extraire la
frquence moyenne, la puissance totale, les puissances relatives dans les diffrentes bandes de
Chapitre 3: Extraction de caractristiques
Classification automatique en stades du sommeil Page 40
frquences, etc. D'autres tudes se basent directement sur la densit spectrale de puissance pour
extraire ces mmes types de paramtres. Cette densit est alors calcule au moyen d'un
estimateur tel que le priodogramme ou le priodogramme moyenn [12].

Enfin, les techniques d'extraction de caractristiques les plus rcentes travaillent simultanment
dans les domaines temporels et frquentiels. Il s'agit notamment des analyses par ondelettes qui
consistent dcomposer le signal en une somme pondre de translations et dilatations d'une
mme fonction oscillante appele ondelette mre ([35], [36], [37]). C'est galement le cas des
mthodes SLEX (Smooth Localized complex EXponentials) prsentes dans [38].

3.2 Procds d'extraction de caractristiques
Le panel de caractristiques extraites est donc trs diversifi. Malheureusement, aucune tude
notre connaissance ne compare ces attributs en terme d'efficacit.

Nous avons donc choisi, dans le cadre de ce travail, d'extraire un maximum de caractristiques
et de comparer ensuite leur pouvoir discriminant afin de prsenter les meilleurs d'entre-elles au
classificateur.

Au total, 26 procds d'extraction ont t implments sous Matlab, permettant d'extraire 102
attributs diffrents.

Ces procdures ont t labores de manire traiter efficacement des enregistrements PSG
contenant au moins:

1 ECG;
2 EOG (droite et gauche);
1 signal EEG central;
1 signal EEG frontal;
1 signal EEG occipital;
1 ou plusieurs EMG.

Par ailleurs, leur implmentation a t conue de manire ce que les attributs puissent tre
extraits de segments de longueur fixe (comme c'est le cas dans ce travail o l'analyse a t
effectue par poques de 20 secondes comme le suggrent les rgles de Rechtschaffen et Kales);
ou de segments de longueur variable si une quelconque segmentation adaptative venait tre
excute au pralable.

Cela implique notamment que ces attributs soient tous normaliss. Par exemple, la puissance
dans une certaine bande de frquence est inexploitable si on ne la rapporte pas la puissance
totale du segment correspondant.

Une brve description de chacun de ces procds est reprise dans le Tableau 6 en annexe I.
Toutefois, de plus amples informations leur sujet peuvent tre trouves dans [39].

3.3 Slection des caractristiques les plus discriminantes
Afin de choisir les meilleures caractristiques parmi les 102 attributs extraits, nous avons
examin leur efficacit de 3 manires diffrentes.
Chapitre 3: Extraction de caractristiques
Classification automatique en stades du sommeil Page 41

Tout d'abord, nous avons regard leur volution en fonction des stades de sommeil rencontrs
au cours de la nuit. Ceci nous a par exemple permis de voir d'emble que le paramtre
"freq_dominante" fournissait des rsultats inopportuns tandis que la caractristique "freq-cent
gravit" semblait nous donner des valeurs plus cohrentes (cf. Figure 51).

a

b

Figure 51 Mesure de l'efficacit d'une caractristique en examinant son volution en fonction des
diffrents stades de sommeil. (a) Freq_dominante, (b) Freq_cent_gravit

Ensuite, nous avons tabli les histogrammes de chaque caractristique dans les diffrents stades
de sommeil (c'est--dire que nous avons repris les valeurs de cet attribut en abscisse et que nous
avons report en ordonne le nombre d'poques possdant cette valeur pour chaque stade
considr). Nous avons alors examin, pour chaque caractristique, le recouvrement de ces
diffrents histogrammes (Figure 52).


Figure 52 Mesure de l'efficacit d'une caractristique en examinant ses hypnogrammes dans les
diffrents stades (m=moyenne et =cart-type des valeurs prises dans les diffrents stades considrs)

Ce type de graphique nous a par exemple permis de mettre en vidence que la caractristique
"pce_activ_cent_EEG#1" tait plus propice sparer le stade REM (en rouge sur la Figure 53) du
stade 4 (en vert sur la Figure 53) que la caractristique "rap_ecart_type_EEG".

Chapitre 3: Extraction de caractristiques
Classification automatique en stades du sommeil Page 42
a

b

Figure 53 Comparaison du recouvrement des histogrammes de la caractristique
pce_activ_cent_EEG#1 (a) et de la caractristique rap_ecart_type_EEG (b)

Enfin, comme nous savons qu'un attribut convient d'autant mieux la sparation des stades
que ses dispersions intra stades (distance x
i
sur la Figure 52) sont faibles vis--vis de ses distances
inter stades (distance y
i
sur la Figure 52), il est possible d'estimer sa puissance moyenne de
discrimination comme suit (critre de Fisher):

=
=

=
C
i
ik i
C
i
k ik i
k
w p
w p
D
1
2
1
2
). (
) ).( (



o
D
k
est la puissance moyenne de discrimination de Fisher. Elle est d'autant plus leve
que la caractristique est discriminante;
C le nombre de stades;
P(w
i
) la probabilit a priori du stade w
i
. On l'estime par
N
w
w p
i
i
#
) ( = ;

ik
la moyenne de la caractristique k calcule sur les poques de stade i;

k
la mme moyenne mais calcule sur toutes les poques (de tous les stades);

ik
la variance de la k
me
primitive pour les poques de stade i.


Grce ces diffrentes mesures d'efficacit, nous avons pu slectionner neuf caractristiques
permettant a priori de distinguer facilement les diffrents stades de sommeil. Il s'agit des
attributs 10, 11, 20, 22, 25, 30, 31, 35 et 87 (voir Tableau 6 en annexe I).



Classification automatique en stades du sommeil Page 43



Chapitre 4
Classification en stades du
sommeil

La troisime et dernire tape du processus de dtection automatique des phases du sommeil
consiste attribuer un stade du sommeil chaque poque d'enregistrement PSG, sur base de la
valeur de ses attributs (Figure 54).

Figure 54 tapes de la classification automatique en stades du sommeil
4.1 tat de l'art
Plusieurs mthodes sont envisageables pour parvenir cette fin. La premire d'entre elles
consiste utiliser des rseaux de neurones artificiels dont les architectures sont trs varies. La
plupart des travaux utilisent un simple perceptron multicouches dont ils modifient le nombre
de couches caches et le nombre de neurones qu'elles contiennent ([34], [40], [41], [42]); mais
on retrouve galement les cartes de Kohonen ([31], [32]).

Les procds d'agglomration (clustering) sont galement couramment rencontrs dans la
littrature ([30], [35]). Ceux-ci prsentent notamment l'avantage de ne pas ncessiter de base de
donnes d'entranement.

Une troisime mthode consiste en l'utilisation d'arbres dcisionnels. Assez peu d'tudes y font
rfrence ([19], [29]) et pourtant cette procdure de classification est rapide et facilement
interprtable. Dans le cadre de l'analyse du sommeil, la construction de l'arbre peut tre
effectue sur base des rgles de Rechtschaffen et Kales. Toutefois, cela implique de dfinir les
questions adquates correspondant aux embranchements de l'arbre et cette tche n'est pas
vidente raliser a priori. Il est donc recommand d'utiliser des procdures automatiques
permettant d'riger un arbre de dcisions partir d'un ensemble d'objets dj classifis.

Enfin, les mthodes d'analyse discriminante linaire ([12, [34]) ou de logique floue [33] ont
galement t rencontres dans la littrature.
Chapitre 4: Procds de classification en stades du sommeil
Classification automatique en stades du sommeil Page 44
4.2 Description des procds de classification
La plupart des auteurs valident les rsultats de leur procd de classification en stades du
sommeil par rapport des cotations visuelles ralises par des experts. Malheureusement, aucun
d'entre eux n'utilise la mme base de donnes de signaux polysomnographiques (car il n'en
existe ma connaissance aucune disponible sur Internet). De plus, les attributs qu'ils emploient
sont assez diversifis. Il est donc pratiquement impossible de comparer ces mthodes de
classification.

C'est pourquoi, dans le cadre de ce travail, nous avons choisi d'implmenter plusieurs de ces
classificateurs afin d'en valuer les performances.
4.2.1 La mthode d'agrgation (ou clustering)
Le premier procd de classification que nous avons implment est la mthode d'agrgation,
plus connue sous le nom de clustering. Son principe est de rassembler les poques similaires
d'enregistrements PSG en plusieurs groupes appels clusters (Figure 55). Ensuite, l'utilisateur est
amen, sur base de quelques lments de chaque ensemble, attribuer un stade aux diffrents
agrgats.

X
2
X
3
X
1

Figure 55 Illustration de la mthode d'agrgation (clustering)

Ce procd semble a priori plus apte s'adapter aux variabilits inter sujets des signaux PSG et
il prsente l'avantage d'tre sensible aux prfrences de l'utilisateur. Par ailleurs, il ne ncessite
pas la constitution d'une base de donnes d'apprentissage. Nanmoins, l'efficacit d'une telle
mthode dpend fortement de sa procdure de regroupement.

Dans ce travail, nous en avons expriment de deux types:

Le clustering hirarchique ascendant qui dmarre en considrant que chaque objet
(chaque poque de signal) correspond un cluster et qui regroupe ensuite ces derniers
en fonction de leur similitude jusqu' ce qu'un critre d'arrt soit satisfait (Figure 56).

Le K-means clustering qui dmarre avec un nombre prdfini K de clusters et qui
rarrange ensuite ces derniers de manire rassembler les objets les plus similaires. Plus
prcisment, le K-means clustering positionne tout d'abord K centrodes dans l'espace
de caractristiques et regroupe les objets les plus proches de chacun d'eux (Figure 57-a).
Ensuite, les centrodes sont repositionns au centre des clusters obtenus (Figure 57-b).
Puis les nouveaux agrgats sont reforms (Figure 57-c). le procd se poursuit ainsi de
suite jusqu' ce que la position des centrodes ne se modifie plus.
Chapitre 4: Procds de classification en stades du sommeil
Classification automatique en stades du sommeil Page 45

Figure 56 Clustering hirarchique ascendant


Figure 57 K-means clustering

Plus d'informations au sujet de ces deux procdures peut tre trouv en [43]. Sachons
simplement qu'il ressort de nos analyses que le K-means clustering donne gnralement de
meilleurs rsultats que la mthode hirarchique. Nous ne prsenterons donc que cette mthode
lors de la comparaison des performances des diffrents classificateurs (paragraphe 4.4:
comparaison des rsultats obtenus).
4.2.2 Les rseaux de neurones artificiels
Le second procd de classification que nous avons test est le perceptron multicouches (PMC).
Il s'agit d'une architecture particulire de rseaux de neurones artificiels o les neurones sont
regroups en couches (Figure 58). Le nombre d'units en entre est impos puisqu'il doit
correspondre au nombre d'attributs slectionns. De mme, la quantit de neurones en sortie
doit tre identique au nombre de classes considres (6 dans notre cas: veil, S1, S2, S3, S4 et
REM). Par contre, le nombre de couches intermdiaires (appeles couches caches) ainsi que la
quantit optimale de neurones qu'elles contiennent sont dterminer empiriquement.


Figure 58 Illustration d'un perceptron multicouches
Chapitre 4: Procds de classification en stades du sommeil
Classification automatique en stades du sommeil Page 46
Dans le cadre de ce travail, nous avons obtenu les meilleurs rsultats de classification au moyen
d'une seule couche cache constitue de 100 neurones. Ceux-ci seront prsents au paragraphe
4.4.

Le principal avantage de cette mthode rside dans son temps de calcul ncessaire
l'identification. En effet, bien que celui-ci soit li la complexit du rseau de neurones, la
propagation de l'entre vers la sortie se fait de manire quasi instantane (de l'ordre de la
milliseconde). Par contre, ce procd ncessite un trs long apprentissage et une bonne
classification n'est obtenue que si la base de donnes d'entranement est importante.
4.2.3 Les arbres de dcisions
La troisime et dernire mthode de classification envisage est l'utilisation d'arbres
dcisionnels qui sont des reprsentations graphiques d'un certain nombre de rgles.

Une fois construit, un arbre se prsente sous la forme d'une arborescence inverse. En chaque
noeud interne, une dcision est prise en fonction de la valeur dun des attributs. Un objet est
alors class en suivant un chemin qui va de la racine (au sommet de l'arbre) jusqu' un unique
noeud feuille ( la base de l'arbre). Chaque feuille caractrise une seule classe, mais une classe
peut tre reprsente par plusieurs feuilles.


Figure 59 Illustration d'un arbre dcisionnel simple

Plusieurs mthodes automatiques permettent d'riger de tels arbres au dpart d'une base de
donnes d'entranement. Leurs diffrences tiennent surtout dans la faon dont ils choisissent
d'effectuer les branchements.

Dans le cadre de ce travail, nous avons utilis la mthode CART (Classification And Regression
Tree) directement implmente et fournie par Matlab. Cette mthode, cre par L. Breiman, ne
travaille qu'avec des arbres binaires (c'est--dire que les noeuds internes possdent deux et
uniquement deux sous-nuds) [44]. Lors de leur construction, l'ensemble des partitions
possibles au dpart d'un noeud est valu sur base de la thorie de l'information (et notamment
sur la notion d'entropie). Puis, la partition prsentant la valeur la plus leve de ce critre est
retenue. Cette procdure est ensuite ritre pour chacun des sous-ensembles obtenus, jusqu'
ce qu'un certain critre d'arrt soit atteint. Ce critre peut par exemple imposer que le
pourcentage de cas appartenant la classe majoritaire soit suprieur un seuil, ou que le
nombre d'objets dans une feuille soit infrieur un seuil, etc. Finalement, une fois que l'arbre
est construit, il est encore possible de procder son lagage : c'est--dire que les parties de
l'arbre qui ne semblent pas performantes pour prdire la classe des nouveaux objets sont
supprimes (Figure 60).
Chapitre 4: Procds de classification en stades du sommeil
Classification automatique en stades du sommeil Page 47

Figure 60 Illustration du procd d'lagage d'un arbre

L'arbre de dcisions ainsi obtenu possde une traduction immdiate en terme de rgles de
dcision et prsente l'avantage d'tre facilement interprtable. Malheureusement, sa phase de
construction est fort sensible une lgre modification des donnes d'entranement. Cette
instabilit se marque par des changements de la structure de l'arbre qui peuvent conduire des
bouleversements dans les attributions finales de classe.

Une solution ce problme est de gnrer un faisceau de plusieurs arbres et de combiner leurs
dcisions en vue d'obtenir une prdiction unique. Cette technique permet d'atteindre de
meilleures performances, mais rduit videmment la visibilit de la classification.

Les divers algorithmes appartenant cette catgorie se distinguent dune part par la faon dont
ils gnrent les arbres, et dautre part par leur procdure dagrgation (galement appele
procdure de vote) des prdictions individuelles. Deux d'entre eux ont t explors dans le
cadre de ce travail. Il s'agit des forts alatoires d'arbres et de la mthode d'agrgation par
boosting.

Les forts alatoires d'arbres (Random Forests) sont constitues de plusieurs arbres lmentaires
travaillant en parallles (Figure 61). Chacun de ces arbres est construit au dpart de N objets
dentranement tirs alatoirement et avec replacement dans la base de donnes
d'entranement. De plus, lors de la construction de l'arbre, un sous-ensemble dattributs est tir
alatoirement chaque embranchement pour dterminer l'ensemble des partitions possibles.
Finalement, la classification d'un nouvel objet se fait en examinant le vote de chaque arbre
(avec un poids gal), et en attribuant la classe propose par la majorit d'entre eux.


Figure 61 Illustration du procd des forts alatoires d'arbres
Chapitre 4: Procds de classification en stades du sommeil
Classification automatique en stades du sommeil Page 48

Dans la mthode d'agglomration par boosting, les diffrents arbres ne sont plus construits en
parallle, mais selon un mode squentiel (Figure 63). Leur phase itrative dapprentissage met
laccent sur les objets mal classs par les arbres prcdents pour forcer les classificateurs suivants
se concentrer sur les erreurs. Plus prcisment, la procdure dmarre en attribuant un poids
quivalent tous les objets de la base d'entranement (Figure 63). Puis, N de ces objets sont
slectionns par tirage au sort avec replacement. Le premier arbre peut alors tre rig de
manire tout fait classique (en considrant tous les attributs). Une fois construit, l'ensemble
des objets de la base d'entranement lui sont prsents en vue d'une classification. Ceux d'entre
eux qui y sont mal classs se voient attribuer un poids plus important pour l'itration suivante.
La procdure se rpte ainsi un certain nombre de fois et, finalement, lors de la classification
d'un nouvel objet, les votes des diffrents arbres crs seront pondrs en fonction de l'erreur
apparente de ceux-ci.


Figure 62 Illustration de la mthode d'agrgation par boosting



Figure 63 procdure d'agrgation par boosting

4.3 Bases de donnes
La base de donnes au dpart de laquelle nous avons entran et test les diffrents
classificateurs implments, nous a t fournie par l'quipe du Dr. M. Kerkhofs de l'hpital
Andr Vsale du CHU de Charleroi. Celle-ci est constitue de 25 enregistrements de nuits de
sujets en bonne sant et de 33 enregistrements de nuits de patients atteints de pathologies
diverses (dysomnie, syndrome des jambes sans repos, insomnie, apnes/hypopnes, etc.).

Chapitre 4: Procds de classification en stades du sommeil
Classification automatique en stades du sommeil Page 49
Pour chacun de ces fichiers, nous disposons:

Des signaux physiologiques (EOG, EEG, EMG, etc.) enregistrs et sauvs au format
standard EDF (European Data Format). Une description de ce format est prsente en
annexe II;

De l'hypnogramme (c'est--dire de la classification en stades du sommeil) tabli
visuellement par le personnel du laboratoire de sommeil du CHU de Charleroi;

De l'hypnogramme fourni par le logiciel automatique MEDATEC qui est un leader sur
le march belge en matire d'acquisition et de traitement des signaux du sommeil.

Comme nous savons que les enregistrements polysomnographiques des patients pathologiques
sont gnralement plus difficiles interprter que ceux des sujets sains, nous avons opr une
distinction entre ces deux types de signaux.

Ensuite, chacune de ces bases (patients >< sujets) s'est vue scinde en deux afin de ne pas tester
nos classificateurs sur les mme nuits qui ont servi leur entranement. Ainsi:

70 % des enregistrements ont t mis de cot pour l'entranement du rseau de
neurones et des arbres de dcisions. Il s'agit de la base de donnes d'entranement;

Les 30% de nuits restantes ont t ddies aux tests des diffrents classificateurs. Il s'agit
de la base de donnes de test.

Par ailleurs, nous avons procd une validation croise
10
pour ne pas que les classificateurs
modlisent trop fidlement les objets de la base d'entranement. C'est pourquoi:

80 % des enregistrements de la base d'entranement ont t maintenus pour raliser
l'apprentissage proprement dit du classificateur. Il s'agit de la base de donnes
d'apprentissage;

Les 20% des enregistrements restants ont t affects au processus de validation croise.
Il s'agit de la base de donnes de validation.
4.4 Comparaison des rsultats obtenus
Le partage des enregistrements polysomnographiques entre les trois bases de donnes
d'entranement, de validation et de test a t effectu au hasard, par tirage au sort. Comme
nous savons que cette rpartition alatoire peut influencer les rsultas de classification obtenus,
nous avons effectu plusieurs tests de classification (en recalculant chaque fois les diffrentes
bases de donnes) et nous en avons dduit le taux moyen de reconnaissance.

Les rsultats ainsi obtenus par les diffrents classificateurs sont repris au Tableau 3.


K-means
Clustering
Rseau de
neurones
(PMC)
Arbre
simple de
dcisions
Foret
alatoire
d'arbres
Agrgation
d'arbres par
boosting
Logiciel
Medatec
Patients 67.8 % 69.2 % 67.0 % 68.6 % 67.3 % 50.4 %
Sujets 70.3 % 76.9 % 74.1 % 75.7 % 73.7 % 57.3 %
Tableau 3 Taux de reconnaissance moyen des diffrents classificateurs

10
La validation croise consiste mesurer au cours de la phase d'apprentissage le taux de reconnaissance atteint sur
un ensemble d'objets ne participant ni l'entranement ni aux tests, afin d'arrter le processus au moment o le
taux de reconnaissance obtenu est maximum (pour viter le sur entranement).
Chapitre 4: Procds de classification en stades du sommeil
Classification automatique en stades du sommeil Page 50
Nous constatons tout d'abord que quel que soit le procd de classification utilis, les taux de
reconnaissance obtenus sur base des enregistrements PSG de sujets sains sont toujours
meilleurs que ceux calculs partir des signaux de patients pathologiques. Ceci est tout fait
comprhensible tant donn le caractre ambigu des tracs pathologiques. Mme les oprateurs
humains prsentent plus de difficults les classer. En effet, le taux de variabilit inter cotateurs
correspondant est nettement plus faible que celui obtenu sur base de tracs de sujets sains (75%
contre 95% selon [44]).

Nous remarquons ensuite que la fort alatoire d'arbres est la mthode la plus performante
parmi les procds utilisant des arbres de dcisions. Nous ne considrerons donc l'avenir que
cette mthode pour comparer les performances de ce type de procd avec d'autres
classificateurs.

Enfin, nous sommes heureux de constater que les procdures que nous avons implmentes
donnent de bien meilleurs rsultats de classification que le logiciel Mdatec actuellement
disponible sur le march. Leurs taux de reconnaissance sont d'ailleurs fort similaires ce qui nous
laisse penser que les amliorations futures devraient tre cherches au niveau du traitement
des signaux PSG et non pas au niveau de la classification. D'autant plus qu'en examinant les
matrices de confusions de ces diffrents procds, nous pouvons relever que la majeure partie
des erreurs sont effectues aux mmes endroits (Tableau 4).

(a)

Automatique / Visuel Eveil REM S1 S2 S3 S4
Eveil 3078 310 251 126 6 12
REM 367 971 217 329 19 14
S1 291 353 318 248 0 0
S2 497 482 657 5609 546 175
S3 15 2 3 55 157 100
S4 0 0 0 6 32 100

72.5% 45.85% 21.99% 88.01% 20.66% 24.94
(b)

Automatique / Visuel Eveil REM S1 S2 S3 S4
Eveil 3492 376 360 554 61 47
REM 297 1050 214 112 1 0
S1 55 164 183 116 0 0
S2 399 528 688 5551 621 291
S3 4 0 1 38 54 44
S4 1 0 0 2 23 19

82.20% 49.58% 12.66% 87.10% 7.1% 4.73%
(c)

Automatique / Visuel Eveil REM S1 S2 S3 S4
Eveil 3662 463 404 233 3 6
REM 187 1004 194 254 9 3
S1 101 244 240 128 0 0
S2 297 407 608 5735 658 326
S3 1 0 0 1 14 15
S4 0 0 0 22 76 51

86.21% 47.40% 16.60% 89.99% 1.85% 12.72
Tableau 4 Matrice de confusion des diffrents procds implments sur la base de donnes de patients
pathologiques: (a) clustering, (b) rseau de neurones, (c) forts d'arbres de dcisions

Chapitre 4: Procds de classification en stades du sommeil
Classification automatique en stades du sommeil Page 51
Les grandes confusions entre les stades Eveil et REM ainsi qu'entre les stades 3 et 4 sont
particulirement visibles lorsque nous comparons les hypnogrammes visuels (tablis par un
expert) et automatiques (Figure 64). En effet, nous constatons que le procd automatique
prsente un nombre important de transitions intempestives entre ces diffrents tats
(notamment aux alentours des chantillons 400, 500, 800 et 950).


Figure 64 Comparaison de l'hypnogramme tabli visuellement par un expert (en haut) et de
l'hypnogramme fourni par le procd automatique de clutering (en bas)

Pour rsoudre ce problme, nous avons appliqu un algorithme de chanes de Markov caches
d'ordre 1 la sortie des classificateurs (algorithme de Viterbi). Ce modle prend en compte la
probabilit de passer dun stade X un stade Y ainsi que les probabilits de chaque poque
dappartenir aux diffrents stades de sommeil pour trouver la squence dtats la plus probable
au travers de ce "treillis" de probabilits (Figure 65).


Figure 65 Principe de chanes de Markov caches

Les rsultats obtenus sont repris dans le Tableau 5 et la Figure 66.


K-means
Clustering
Rseau de
neurones
(PMC)
Foret
alatoire
d'arbres
Medatec
Patients 67.8 % 69.2 % 68.6 % 50.4 %
Seul
Sujets 70.3 % 76.9 % 75.7 % 57.3 %
Patients 68.8 % 71.7 % 72.8 % / Avec Viterbi
1 Sujets 72.6 % 81.5 % 81.5 % /
Tableau 5 Paramtres minima de la chane d'acquisition des signaux PSG
Chapitre 4: Procds de classification en stades du sommeil
Classification automatique en stades du sommeil Page 52

Figure 66 De haut en bas: hypnogramme tabli par un expert, hypnogramme fourni par le seul procd
de clutering, hypnogramme obtenu aprs application d'un algorithme de chanes de Markov caches

Nous constatons que lapplication dun algorithme de chanes de Markov caches permet
damliorer sensiblement les rsultats de classification mais qu'elle prsente aussi linconvnient
majeur de lisser totalement lhypnogramme. Ceci est bien entendu contre-indiqu puisque
certaines pathologies du sommeil se discernent justement par la prsence de nombreuses
transitions entre les stades d'veil et de sommeil notamment.

Ainsi, nous pensons qu'il serait plus sage de corriger ces transitions intempestives la source.
En effet, amliorer la qualit des donnes fournies en entre des classificateurs devrait
permettre d'augmenter leur capacit de classification. Par exemple, nous pourrions tenir compte
des caractristiques des poques prcdentes et suivantes lors de la classification en stades. En
effet, les critres de Rechtschaffen et Kales [8] contiennent eux-mmes quelques rgles de
voisinage permettant de classer les poques transitoires en fonctions des poques qui les
prcdent et qui les suivent immdiatement.

Il serait galement possible de combiner les classificateurs entre eux pour tirer parti des
avantages de chacun.

Enfin, tant donn que plusieurs tudes ont dj prsent des procds de distinction entre les
phases REM et NON-REM du sommeil ([31], [46]), nous pensons qu'une telle diffrenciation
pourrait tre effectue avant d'approfondir la classification en stades.




Classification automatique en stades du sommeil Page 53





Conclusion

Nous venons de prsenter un systme complet de classification automatique en stades du
sommeil incluant les tapes d'limination des artefacts, d'extraction de caractristiques et de
classification proprement dite en stades du sommeil (Figure 67).


Figure 67 Etapes de la classification automatique en stades du sommeil

Quatorze procds de dtection et de correction d'artefacts ont t implments et les valeurs
optimales de leurs 23 paramtres rglables ont t dtermines exprimentalement. L'valuation
de leurs rsultats a t effectue visuellement et ceux-ci semblent tout fait satisfaisants. Il serait
nanmoins souhaitable de calculer les taux de reconnaissance exacts de ces procdures sur base
de signaux PSG cots en artefacts par des experts. Ceci fera l'objet d'un travail ultrieur.

En ce qui concerne l'extraction de caractristiques, 26 procds d'analyse ont t implments,
permettant d'obtenir 102 attributs diffrents. L'objectif tait d'extraire un maximum de
caractristiques et de comparer ensuite leur pouvoir discriminant afin de slectionner les
meilleures. Au final, neuf d'entres-elles ont t choisies parce qu'elles permettaient, a priori, de
distinguer facilement les diffrents stades de sommeil. Il s'agit des attributs 10, 11, 20, 22, 25,
30, 31, 35 et 87 (voir Tableau 6 en annexe I).

Enfin, trois types de classificateurs ont t tests afin de comparer leurs performances sur une
mme base de donnes. Il s'agit du clustering, du perceptron multicouches et des forts
alatoires d'arbres dcisionnels. Ces trois mthodes de classification prsentent des taux de
reconnaissance tout fait similaires et qui se situent entre 67.8 et 69.2% pour la base de
donnes de tracs pathologiques et entre 70.3 et 76.9% pour la base de donnes
d'enregistrements de nuits de sujets sains.

Ces rsultats sont dj trs satisfaisants si on les compare aux taux de reconnaissance de 50.4%
et 57.3 %, obtenus par le logiciel Mdatec actuellement disponible sur le march. Nanmoins,
quelques amliorations peuvent encore tre apportes.
Conclusion
Classification automatique en stades du sommeil Page 54
Notamment, nous pourrions tenir compte des caractristiques des poques prcdentes et
suivantes lors de la phase de classification en stades du sommeil et nous pourrions combiner les
classificateurs entre eux pour tirer parti des avantages de chacun. Ces diverses propositions
seront investigues prochainement dans le travail de thse que j'envisage de raliser.

Sur un plan plus personnel, ce travail m'a ouvert de nouvelles perspectives en m'introduisant au
domaine du traitement des signaux biomdicaux. J'y ai dcouvert un monde o Ingnieurs et
Mdecins collaborent pour amliorer les procdures de diagnostic. J'ai galement pris plaisir
dcouvrir l'origine des biopotentiels mesurs en polysomnographie et j'espre mon tour
passionner d'autres personnes en leur exposant mes travaux. Enfin, je suis contente d'avoir pu
dmythifier quelques aspects du sommeil qui, pour moi, occupe bien plus d'un tiers de ma
vie .



Classification automatique en stades du sommeil Page 55





Rfrences

[1] MACNISH R., The philosophy of sleep, New York, D Appleton, 1834.
[2] HANS B., ber das Elektrenkephalogramm des Menschen, Arch f Psychiatr 87, 527-570, 1929.
[3] LOOMIS A.L., HARVEY E.N., HOBART G.A., Cerebral States During Sleep, as Studied by
Human Brain Potentials. J. Exp. Psychol., 21, 127144, 1937.
[4] ASERINSKY E., KLEITMAN N., Regularly Occuring Periods of Eye Motility, and Concomitant
Phenomena, During Sleep., Science, 118, 273274, 1953.
[5] DEMENT W.C., KLEITMAN N., Cyclic Variations in EEG During Sleep and their Relation to Eye
Movements. Body Motility and Dreaming., Electroencephalogr. Clin. Neurophysiol., 9, 673
390, 1957.
[6] JOUVET M., MICHEL F., COURJON J., Sur un stade d'activit lectrique crbrale rapide au cours
du sommeil physiologique, C. R. Soc. Biol. (Paris) ,153, 1024-1028, 1959.
[7] MONROE L., Inter-rater reliability and the role of experience in scoring EEG sleep.,
Psychophysiol, 5, 376384, 1967.
[8] RECHTSCHAFFEN A. , KALES A., A manual of standardized terminology, techniques and scoring
system for sleep stages in human subjects., US Government Printing Office,1968.
[9] NAUWELAERS I., SERMEUS G., Enqute plus de 40% de mauvais dormeur, Test sant, 63,
octobre-novembre, 2004.
[10] KERKHOFS M., Le sommeil de A Zzzz, ditions Labor, Bruxelles, Belgique, 2000.
[11] JASPER H.H., Report of the Committee on Methods of Clinical Examination in
Electroencephalography., Electroencephalogr Clin Neurophysiol, 10, 370-375, 1958.
[12] BENOIT O., GOLDENBERG F., Exploration du sommeil et de la vigilance chez l'adulte., Editions
Medicales Internationales, 1997.
[13] PENZEL T., CONRADT R., Computer based sleep recording and analysis., Sleep Medicine
Reviews, Vol. 4, No. 2, 131-148, 2000.
[14] KRYGER H., ROTH T., DEMENT H., Principles and practice of sleep medicine, Saunders,
Philadelphia, 1994.
Rfrences

Classification automatique en stades du sommeil Page 56

[15] SCHLGL A., ANDERER P., ROBERTS S.J., PREGENZER M. PFURTSCHELLER G., Artefact
detection in sleep EEG by the use of Kalman filtering, Proceedings EMBEC'99, Part II, 4-7,
1648-1649, 1999.
[16] MORETTI D.V., BABILONI F., CARDUCCI F., CINCOTTI F., REMONDINI E., ROSSINI P.M.,
SALINARI S., BABILONI C., Computerized processing of EEGEOGEMG artifacts for
multicentric studies in EEG oscillations and event-related potentials, International Journal of
Psychophysiology, Vol.47, Is.3, 199216, 2003.
[17] DURKA P.J., KLEKOWICZ H., BLINOWSKA K.J., SZELENBERGER W., NIEMCEWICZ SZ., A
simple system for detection of EEG artifacts in polysomnographic recordings, IEEE Transactions
on Biomedical engineering, Vol. 50, No. 4, 526-528, 2003.
[18] PARK H-J., JEONG D-U, PARK K-S., Automated detection and elimination of periodic ECG
artifacts in EEG using the energy interval histogram method, IEEE Transactions on Biomedical
engineering, Vol. 49, No.12, 1526-1533, 2002.
[19] AGARWAL R., GOTMAN J., FLANAGAN D., ROSENBLATT B., Automatic EEG analysis during
long-term monitoring in the ICU, Electroencephalography and Clinical Neurophysiology,
107, 44-58, 1998.
[20] CROFT R. J., BARRY R. J., Removal of ocular artifact from the EEG: a review, Neurophysiol.
Clin., 30, 5-19, 2000.
[21] CELKA P., BOASHASH B., COLDITZ P., Preprocessing and time-frequency analysis of newborn
EEG seizures, IEEE Engineering in Medicine and Biology, September/October, 2001.
[22] ALLEN P., POLIZZI G., KRAKOW K.., FISH D., LEMIEUX L., Identification of EEG envents in the
MR Scanner: the problem of pulse artifact and a method for its subtraction, Neuroimage, vol 8,
229-239, 1998.
[23] COMON P., Independent component analysis, a new concepts, Signal processing, Vol 36, 287-
314, April 1994.
[24] DURIEU C., KIEFFER M., Analyse en composantes indpendantes pour la sparation aveugle de
sources, [en ligne], http://mfca.ups-tlse.fr/cetsis/Docs/Articles/Durieu_Cecile.pdf,
dernirement en janvier 2007.
[25] LARUE E., Sparation de sources Markoviennes, Rapport de DEA, Universit Paris Sud
Supelec, Juin 2003.
[26] BELL A., SEJNOWSKI T.J., An information maximization approach to blind separation and blind
deconvolution, Neural computation, Vol 7, 1129-1159, 1995.
[27] BELL A., SEJNOWSKI T.J., Fast blind separation based on information theory, Proc. Intern.
Symp. on Nonlinear Theory and Applications, Las Vegas, Dec. 1995.
[28] DEVUYST S., La sparation de sources et l'analyse en composantes indpendantes, Document
interne ralis dans le cadre du projet DREAMS la Facult Polytechnique de Mons, mai
2006.
Rfrences

Classification automatique en stades du sommeil Page 57

[29] STANUS E., Contribution la conception de dispositifs de dtection et d'analyse des troubles du
sommeil chez l'homme, FPMs PhD thesis, 1985.
[30] AGARWAL R., GOTMAN J., Computer-Assisted Sleep Staging, IEEE Engineering in Medicine
and Biology Magazine, Vol. 48, No. 12, 1412-1423, 2001.
[31] ROBERT C., KARASINSKI P., NATOWICZ R., Adult rat vigilance state discrimination by artificial
neural network using a single EEG channel, Physiol and Behav, 59(6), 1051-1060, 1996.
[32] PFURTSCHELLER G., FLOTZINGER D., MATUSCHIK D., Sleep classification ininfants based on
artificial neural networks, Biomed Technik, 37, 122-130, 1992.
[33] HUUPPONEN E., HIMANEN S-L., VRRI A., HASAN J., SAASTAMOINEN A., LEHTOKANGAS
M., SAARINEN J., Fuzzy detection of EEG alpha without amplitude thresholding, Artificial
Intelligence in Medicine, , 24, 133-147, 2002.
[34] ENGLEHART K., HUDGINS B., PARKER P.A., STEVENSON M., Classification of the myoelectric
signal using time-frequency based representations, Medical Engineering and Physics, 21, 431-
438, 1999.
[35] GEVA A.B., KEREM D.H., Forecasting Generalized Epileptic Seizures from the EEG Signal by
Wavelet Analysis and Dynamic Unsupervised Fuzzy Clustering, IEEE Transactions on
Biomedical engineering, Vol. 45, No.10, 1205-1216, 1999.
[36] ZHANG Z., KAWABATA H., LIU Z-Q., Electroencephalogram analysis using fast wavelet transform,
Computers in Biology and Medicine, 31, 429-440, 2001.
[37] QUIAN QUIROGA R., GARCIA H., Single-trial event-related potentials with wavelet denoising,
Clinical Neurophysiology, 114, 376390, 2003.
[38] CRANSTOUN S.D., Time-frequency spectral estimation of multichannel EEG using the auto-SLEX
method, IEEE Transactions on Biomedical engineering, VOL.49, NO.9, 988-996, 2002.
[39] ANONYME., Rapport Scientifique et Technique du projet DREAMS (Convention 215142),
Priode du 01/07/04 au 31/12/04, Document interne la Facult Polytechnique de
Mons, 2004.
[40] PRINCIPE J.C., TOME A.M.P., Performance and training strategies in feedforward neural
networks: an application to sleep scoring., Proceeding of the IJCNN89, 1, 341-346, 1989.
[41] MAMELAK A.N., QUATTROCHI J.J., HOBSON J.A., Automated staging of sleep in the cats using
neural networks., Electroencephal Clin and Neurophysiol, 79, 52-61, 1991.
[42] SCHALTENBRAND N., LENGELLE R., MACHER J.P., Neural network model: application to
automatic analysis of human sleep, Comput and Biomed Res, 26, 157-171, 1993.
[43] DEWASME L., Etude de la classification du sommeil en stades par les mthodes de clustering,
Travail de fin d'tudes la Facult Polytechnique de Mons, juin 2005.
Rfrences

Classification automatique en stades du sommeil Page 58

[44] HOANG HAI ANH., Usage des arbres de dcisions, [en ligne],
http://www.ifi.edu.vn/rapports/tipe/promo09/tipe-hoang_hai_anh.pdf , travail d'intrt
personnel encadr, Institut de la francophonie pour l'informatique, juillet 2004.

[45] DANKER-HOPFE H., KUNZ D., GRUBER G., KLSCH G., LORENZO JL., HIMANEN SL., KEMP
B., PENZEL T., RSCHKE J., DORN H., SCHLGL A., TRENKER E., DORFFNER G.., Interrater
Reliability between scorers from eight European Sleep laboratories in subjects with different sleep
disorders, Sleep Res, 13, 63-69, 2004.
[46] GRZINGER M, RSCHKE J, KLPPEL B., Interrater Automatic recognition of rapid eye
movement (REM) sleep by artificial neural networks J Sleep Res, 4, 86-91, 1995.



























ANNEXES






Classification automatique en stades du sommeil A- I

Annexe I
Description des procds
d'extraction de
caractristiques


N du
procd
Nom et descriptif du procd
Attributs extraits par ce
procd
N de
l'attribut
#1- bta 1.
#2- sigma 2.
#3- alpha 3.
#4- thta 4.
#5- delta 5.
1 STFT_cent_EEG: dtermine pour chaque segment de l'EEG central, le
pourcentage d'activit bta, sigma, alpha, tta, delta et slow, partir du
calcul de la transforme de Fourier court terme (STFT: Short Ttime
Fourier Transform).
#6- slow wave 6.
#1- bta 7.
#2- sigma 8.
#3- alpha 9.
#4- thta 10.
#5- delta 11.
2 STFT_cent_EEG2: dtermine galement, le pourcentage d'activit bta,
sigma, alpha, tta, delta et slow, pour chaque segment de l'EEG central.
Son fonctionnement est trs semblable au procd STFT_cent_EEG. La
seule diffrence est que la frquence de rfrence prise pour dterminer
le type d'activit d'une tranche ne correspond plus au maximum de la
transforme de Fourier mais son centre de gravit.
#6- slow wave 12.
#1- bta 13.
#2- sigma 14.
#3- alpha 15.
#4- thta 16.
#5- delta 17.
3 Pce_activ_cent_EEG: calcule pour chaque segment de l'EEG central, la
puissance relative dans les diffrentes bandes de frquences partir d'un
estimateur de sa densit spectrale de puissance.
#6- slow wave 18.
#1- beta 19.
#2- sigma 20.
#3- alpha 21.
#4- thta 22.
4 Niveau_bandes: calcule pour chaque segment, l'cart-type relatif des
signaux filtrs dans les diffrentes bandes de frquences.
#5- delta 23.
5 Freq_dominante: calcule la frquence correspondant au maximum de la
transforme de Fourier de chaque segment d'EEG central.
#1- freq 24.
6 Freq_centre_gravite: calcule la frquence correspondant au centre de
gravit de la transforme de Fourier de chaque segment d'EEG central.
#1- freq 25.
7 AR_freq_dominante: synthtise chaque segment d'EEG central l'aide
d'un modle autorgressif (AR) et calcule la frquence correspondant au
maximum de la transforme de Fourier de ce signal synthtis.
#1- freq 26.
8 AR_freq_centre_gravite: synthtise chaque segment d'EEG central
l'aide d'un modle autorgressif (AR) et calcule la frquence
correspondant au centre de gravit de la transforme de Fourier de ce
signal synthtis.
#1- freq 27.
9 Ecart_type_cent_EEG: calcule pour chaque segment, l'cart-type relatif
de l'EEG central
#1- ecart type 28.
10 Ecart_type_EMG: calcule pour chaque segment, l'cart-type relatif
moyen des EMG en tenant compte de la dtection d'artefact.
#1- ecart type 29.
Annexe I


Classification automatique en stades du sommeil A- II
N du
procd
Nom et descriptif du procd
Attributs extraits par ce
procd
N de
l'attribut
11 Rap_ecart_type_EEG: calcule pour chaque segment, le rapport relatif
des carts-types frontaux et centraux.
#1- rapport ecart ype 30.
#1- lent 31.
12 Mvt_EOG: calcule pour chaque segment le pourcentage (en occupation
de l'espace) des mouvements oculaires lents et des mouvements oculaires
rapides.
#2- rapide 32.
#1- pcent_fus_page 33.
#2- pres_fus_page 34.
#3- pcent-fus_3min 35.
13 Spindles: calcule pour chaque segment le pourcentage en occupation de
l'espace des fuseaux.
#4- pres_fus_3min 36.
#1- bta 37.
#2- sigma 38.
#3- alpha 39.
#4- thta 40.
#5- delta4 41.
#6- delta2 42.
#7- delta1 43.
#8- slow wave 44.
#9- ASI 45.
#10- TSI 46.
14 NWP_cent_EEG: dtermine pour chaque segment de l'EEG central, le
"Wavelet Power normalized" (NWP) de chaque coefficient d'ondelette
correspondant aux diffrents rythmes du sommeil. Trois autres
paramtres sont galement calculs pour chaque segment:
ASI = var(alpha)/var(delta4 + theta);
TSI = var(theta)/var(delta4 + alpha);
ratio = (var(delta1) + var(delta2))/var(theta).
.
#11- Ratio 47.
#1- beta-sigma 48.
#2- sigma-alpha 49.
#3- alpha-teta 50.
#4- teta-delta4 51.
#5- delta4-delta2 52.
#6- delta2-delta1 53.
15 Corr1_cent_EEG: dtermine pour chaque segment de l'EEG central, la
corrlation entre les coefficients d'ondelettes distants de 1.
#7- delta2-delta1 54.
#1- beta-alpha 55.
#2- sigma-teta 56.
#3- alpha-delta4 57.
#4- teta-delta2 58.
#5- delta4-delta1 59.
#6- delta2-slow wave 60.
#7- delta1-beta 61.
16 Corr2_cent_EEG: dtermine pour chaque segment de l'EEG central, la
corrlation entre les coefficients d'ondelettes distants de 2.
#8- slow-wave-sigma 62.
#1- beta-teta 63.
#2- sigma-delta4 64.
#3- alpha-delta2 65.
#4- thta-delta1 66.
#5- delta4-slow wave 67.
#6- delta2-beta 68.
#7- delta1-sigma 69.
17 Corr3-cent_EEG: dtermine pour chaque segment de l'EEG central, la
corrlation entre les coefficients d'ondelettes distants de 3.
#8- slow wave- alpha 70.
#1- bta 71.
#2- sigma 72.
#3- alpha 73.
#4- thta 74.
#5- delta4 75.
#6- delta2 76.
#7- delta1 77.
18 M3_cent_EEG: dtermine pour chaque segment de l'EEG central, la
valeur du moment relatif d'ordre 3 de chaque coefficient d'ondelette
correspondant un rythme du sommeil.
#8- slow wave 78.
#1- bta 79.
#2- sigma 80.
#3- alpha 81.
#4- thta 82.
#5- delta4 83.
#6- delta2 84.
#7- delta1 85.
19 M4_cent_EEG: dtermine pour chaque segment de l'EEG central, la
valeur du moment relatif d'ordre 4 de chaque coefficient d'ondelette
correspondant un rythme du sommeil.
#8- slow wave 86.
Annexe I


Classification automatique en stades du sommeil A- III
N du
procd
Nom et descriptif du procd
Attributs extraits par ce
procd
N de
l'attribut
20 Corr_EOG_EEG: calcule pour chaque segment la corrlation qui existe
entre les EOG et l'EEG central.
#1- correlation 87.
#1- lent 88.
#2- rapide 89.
21 Mvt_EOG2: second procd permettant de calculer pour chaque
segment le pourcentage (en occupation de l'espace) des mouvements
oculaires lents, des mouvements oculaires rapides, et de tout mouvement
confondu.
#3- somme mvt 90.
#1- pcent_art_EOG 91. 22 pourcent_art: calcule le pourcentage en occupation de l'espace des
artefacts de courte dure sur l'poque considr (tous les signaux PSG
confondus).
#2- pcent_art_EEG 92.
#1- air_ss_courbe 93. 23 onde_lente_EEG: examine pour chaque onde, l'aire qu'il y a entre la
courbe EEG et la courbe reliant les minima locaux. Ensuite, il
additionne soit toutes ces aires, soit uniquement les aires suprieures
un certain seuil.
#2- pcent_onde_lente 94.
24 ecartype_EMG2: calcule pour chaque segment, l'cart relatif moyen des
EMG sans tenir compte de la dtection d'artefact.
#1- ecart type ss detection
d'art
95.
25 freq-cent-graviteEOG: calcule la frquence correspondant au centre de
gravit de la transforme de Fourier de chaque segment d'EOG.
#1- freq EOG 96.
#1- bta dans EOG 97.
#2- sigma dans EOG 98.
#3- alpha dans EOG 99.
#4- thta dans EOG 100.
#5- delta dans EOG 101.
26 STFT_cent_EOG2: dtermine le pourcentage d'activit bta, sigma,
alpha, tta, delta et slow, pour chaque segment d'EOG.
#6- slow wave dans EOG 102.
Tableau 6 Description des procds d'extraction de caractristiques

Classification automatique en stades du sommeil A- IV
Annexe II
Le format EDF

Le format EDF (European Data Format) a t dvelopp en 1991. Il permet de stocker des
signaux physiques enregistrs simultanment, comme les EEG, EOG, etc. Ces signaux peuvent
prsenter des dimensions et des frquences d'chantillonnage distinctes. Les donnes sont
sauves bloc par bloc comme l'illustre la Figure 68.

Bloc 1 Bloc 2 Bloc 3
Signal 1
Signal 2
Signal 3
EDF :
Bloc 1 Bloc 2 Bloc 3

Figure 68 Le format EDF sauve les enregistrements bloc par bloc

Ainsi, un fichier EDF est constitu d'un en-tte sauv en ASCII et contenant:

- 8 ascii pour la version du format de donne (0)
- 80 ascii pour l'identification du patient
- 80 ascii pour l'identification de l'enregistrement local
- 8 ascii pour la date de dbut d'enregistrement (dd.mm.yy)
- 8 ascii pour l'heure de dbut d'enregistrement (hh.mm.ss)
- 8 ascii pour le nombre total de bytes dans l'en-tte
- 44 ascii rservs
- 8 ascii pour le nombre de blocs d'enregistrement (-1 si inconnu)
- 8 ascii pour la dure d'un bloc en secondes
- 4 ascii pour le nombre de signaux enregistrs (ns)
- ns * 16 ascii pour ns * titre (par ex: EEG, EMG, hypnogram)
- ns * 80 ascii pour ns * type de transducteur (par ex: lectrode AgAgCl)
- ns * 8 ascii pour ns * dimension physique (par ex: uV ou degr C)
- ns * 8 ascii pour ns * valeur physique minimum (par ex: -500 oo 34)
- ns * 8 ascii pour ns * valeur physique maximum (par ex: 500 oo 40)
- ns * 8 ascii pour ns * valeur digitale minimum (par ex: -2048)
- ns * 8 ascii pour ns * valeur digitale maximum (par ex: 2047)
Annexe II


Classification automatique en stades du sommeil A- V
- ns * 80 ascii pour ns * pr filtrage (par ex: HP:0.1Hz LP:75Hz)
- ns * 8 ascii pour ns * nombre nr
i
d'chantillons du signal i dans un bloc
- ns * 32 ascii pour ns * rservs

Cet en-tte est suivi des donnes d'enregistrements o les valeurs des chantillons sont
reprsentes par des mots (entiers sur 2 octets).

DATA DU BLOC 1
- nr
1
* int16 pour les nr
1
chantillons du signal 1 dans le bloc 1
- nr
2
* int16 pour les nr
2
chantillons du signal 2 dans le bloc 1
-
- nr
ns
* int16 pour les nr
ns
chantillons du signal ns dans le bloc 1

DATA DU BLOC 2
- nr
1
* int16 pour les nr
1
chantillons du signal 1 dans le bloc 2
- nr
2
* int16 pour les nr
2
chantillons du signal 2 dans le bloc 2
-
- nr
ns
* int16 pour les nr
ns
chantillons du signal ns dans le bloc 2