Sleep Apnea Detection Using Artificial Neural Networks of Physiological Signals, Copula-Based Analysis, and Nonlinear Dynamics

Résumé Technique : Détection de l'apnée du sommeil à l'aide de réseaux de neurones artificiels, d'analyse par copules et de la dynamique non linéaire

Énoncé du problème
L'apnée et l'hypopnée du sommeil sont des troubles graves aux conséquences potentiellement fatales, notamment des problèmes cardiaques et cérébraux, nécessitant des procédures de diagnostic précises et rapides. Les méthodes de diagnostic traditionnelles, telles que la polysomnographie, sont souvent coûteuses et nécessitent une installation complète en laboratoire du sommeil. Bien que les capteurs portables et le dépistage avec un nombre réduit de capteurs offrent une alternative simplifiée, les signaux obtenus à partir de ces dispositifs (par exemple, l'ECG) présentent des comportements complexes et erratiques que les méthodes d'analyse linéaire ne parviennent souvent pas à capturer. Le défi consiste à développer un cadre capable d'identifier efficacement l'apnée obstructive du sommeil (AOS) en analysant la dynamique non linéaire complexe de la variabilité de la fréquence cardiaque, laquelle est régie par l'activité sympathique et parasympathique et est perturbée lors des épisodes d'apnée.

Méthodologie
Les auteurs proposent un cadre dynamique non linéaire qui intègre l'analyse basée sur le chaos, la modélisation par copules et l'apprentissage automatique pour distinguer la respiration normale de l'apnée du sommeil. L'étude utilise des données ECG de la base de données "Apnea-ECG" de PhysioNet, en sélectionnant spécifiquement dix enregistrements comprenant des segments étiquetés comme « Normal » et « Apnée du sommeil ».

La méthodologie se déroule selon les étapes suivantes :

1. Reconstruction de l'espace des phases :

   • Délai ($\tau$) : Calculé à l'aide de l'information mutuelle moyenne (AMI) pour déterminer le retard optimal pour la reconstruction de la dynamique du système.
   • Dimension d'immersion ($m$) : Déterminée à l'aide de l'algorithme des faux plus proches voisins (FNN) pour déplier la trajectoire du système sans chevauchement.
   • Analyse : Les espaces des phases reconstruits sont visualisés pour observer les structures de trajectoire (boucles fermées vs trajectoires dispersées).

2. Extraction de caractéristiques de la dynamique non linéaire :

   • Cartes de Poincaré : Utilisées pour visualiser la corrélation entre les intervalles RR consécutifs ($RR_n$ vs $RR_{n+1}$). Les descripteurs géométriques (SD1, SD2 et l'aire de l'ellipse ajustée) quantifient la variabilité à court et long terme.
   • Exposants de Lyapunov ($\lambda_{max}$) : Calculés pour évaluer la sensibilité et la complexité du système. Des valeurs positives indiquent une dynamique chaotique (divergence des trajectoires), tandis que des valeurs nulles ou négatives suggèrent un mouvement périodique ou stable.
   • Transformée de Fourier Rapide (FFT) : Appliquée pour extraire les caractéristiques du domaine fréquentiel et la densité spectrale de puissance (PSD) afin d'identifier les périodicités et les changements de l'équilibre autonome (par exemple, les décalages entre les bandes basse fréquence et haute fréquence).

3. Analyse basée sur les copules :

   • Les copules de Gauss, de Clayton et de Gumbel sont employées pour modéliser les structures de dépendance non linéaires et les dépendances de queue entre les paires de signaux physiologiques. Cela permet de capturer des interdépendances complexes que les mesures de corrélation standard pourraient manquer, distinguant ainsi les couplages organisés (périodiques) des couplages dispersés (chaotiques).

4. Classification via des réseaux de neurones artificiels (ANN) :

   • Un classificateur ANN est entraîné en utilisant un vecteur de caractéristiques comprenant les caractéristiques non linéaires extraites (Lyapunov, Poincaré), les caractéristiques du domaine fréquentiel (FFT) et les caractéristiques basées sur les copules.
   • Le réseau mappe ces dynamiques physiologiques vers une sortie binaire (Normal vs Apnée) en utilisant un seuil de décision (typiquement 0,5). Le modèle utilise des vecteurs de caractéristiques retardés pour apprendre les changements temporels de l'état physiologique.

Résultats clés
L'étude présente des résultats expérimentaux à travers plusieurs « structures de modèles » (segments de l'ensemble de données), démontrant la capacité du cadre à différencier les modes de respiration :

• Respiration normale : Caractérisée par des trajectoires ordonnées en boucles fermées dans l'espace des phases, des diagrammes de Poincaré serrés alignés sur la droite d'identité, une énergie spectrale concentrée à de basses fréquences uniques (FFT), et une dépendance forte et organisée dans les graphiques de copules.
• Apnée du sommeil : Caractérisée par des trajectoires dispersées et chevauchantes, des diagrammes de Poincaré éparpillés, des distributions spectrales à basse fréquence plus larges, et des structures de dépendance plus faibles et irrégulières.
• Exposants de Lyapunov : La plupart des segments associés à l'apnée présentaient des exposants de Lyapunov positifs (indiquant le chaos), bien que les auteurs notent des divergences dans certains cas où des exposants positifs apparaissaient dans des segments présentant par ailleurs des motifs de l'espace des phases périodiques, suggérant la nécessité d'une sélection rigoureuse des paramètres.
• Performance de l'ANN :
  • L'ANN a classifié avec succès les segments sur la base des caractéristiques extraites.
  • Structure de modèle 1 : Identifiée comme périodique/non-apnéique avec un haut degré de confiance.
  • Structure de modèle 2 : Identifiée comme chaotique/apnéique avec un haut degré de confiance.
  • Structure de modèle 4 : Identifiée comme périodique/non-apnéique.
  • Structure de modèle 7 : Identifiée comme chaotique/apnéique.
  • Structure de modèle 9 : Identifiée comme chaotique/apnéique.
  • Structure de modèle 10 : Identifiée comme chaotique/apnéique.
  • Les résultats de classification n'ont montré aucune erreur de classification évidente dans les segments testés, l'ANN distinguant efficacement les épisodes chaotiques discrets (apnée) du mouvement périodique régulier.
• Métriques quantitatives : L'article rapporte des valeurs AUROC pour des structures de modèles spécifiques, allant de 0,6095 (Modèle 9, performance marginale) à 0,8476 (Modèle 4, haute discrimination), indiquant des degrés variables de fiabilité de classification selon les caractéristiques du signal.

Signification et affirmations
L'article affirme que le cadre proposé est un « outil prometteur pour la détection automatisée et précise de l'apnée du sommeil ». En combinant des caractéristiques complémentaires — dynamique non linéaire, analyse spectrale, modélisation de la dépendance et apprentissage automatique — la méthode parvient à capturer les modes de respiration linéaires et non linéaires.

Les auteurs soulignent que cette approche offre un substitut non invasif à la polysomnographie, permettant potentiellement une surveillance à domicile évolutive et à faible coût. Cependant, l'article maintient un ton modeste concernant sa maturité clinique. Il stipule explicitement que les conclusions actuelles sont basées sur un petit ensemble de données au niveau des segments, manquant d'identifiants complets de patients, de taux d'échantillonnage, de valeurs d'IAH (Indice d'Apnées-Hypopnées) ou de labels de sévérité clinique. Par conséquent, les auteurs affirment que, bien que le modèle de dynamique non linéaire offre des caractéristiques mathématiques significatives pour identifier le comportement chaotique, l'affirmation d'une identification automatisée de l'apnée du sommeil reste « non étayée en l'absence d'une confirmation quantitative approfondie » et nécessite une validation future avec des ensembles de données plus larges, diversifiés et annotés cliniquement avant tout déploiement clinique.