Comprehensive Analysis of Machine Learning Models for Five-Class Sleep Stage Classification Using PPG Signals

Le détective de la nuit : Pourquoi nous devons savoir comment nous dormons

Imaginez que votre cerveau est une ville très animée qui ne s'arrête jamais vraiment, même lorsque vous fermez les yeux. Au lieu de s'éteindre, la ville alterne entre différents quartiers : un centre-ville bouillonnant où vous êtes bien éveillé, une bibliothèque calme où vous commencez à sombroler, un bunker souterrain profond où vous êtes plongé dans un sommeil lourd et réparateur, et un parc d'attractions surréaliste rempli de rêves. Les scientifiques appellent ces différents quartiers des « stades du sommeil ». Savoir exactement dans quel quartier se trouve votre cerveau est crucial car si la ville reste coincée dans la mauvaise zone — comme rester dans le centre-ville animé alors qu'elle devrait être dans le bunker profond — cela peut entraîner des problèmes de santé comme des troubles cardiaques, du diabète ou simplement une sensation de torpeur toute la journée.

Pendant longtemps, la seule façon de cartographier cette ville nocturne était d'envoyer une équipe d'experts avec un énorme sac à dos de câbles emmêlés. Cette méthode de « référence », appelée polysomnographie (PSG), consiste à fixer des électrodes sur votre tête, vos yeux et votre menton pour lire vos ondes cérébrales et vos tics musculaires. C'est incroyablement précis, mais c'est aussi coûteux, inconfortable, et cela nécessite généralement de dormir dans un laboratoire, ce qui n'est guère une façon naturelle de faire la sieste.

Entrez dans la révolution du « wearable » (l'objet connecté). Vous avez probablement déjà vu des gens porter des montres intelligentes qui suivent leurs battements de cœur. Ces appareils utilisent un capteur appelé photopléthysmographie (PPG). Au lieu de lire directement les ondes cérébrales, la PPG projette une petite lumière dans votre peau pour observer votre sang pulser à chaque battement de cœur. L'idée est simple : votre cœur bat différemment selon que vous êtes éveillé, en train de rêver ou en sommeil profond. Ainsi, si nous pouvons écouter le rythme de votre cœur, pouvons-nous deviner dans quel « quartier » de la ville du sommeil vous vous trouvez ? C'est la grande question à laquelle les chercheurs tentent de répondre, avec l'espoir de transformer un simple bracelet en un détective du sommeil qui fonctionne directement dans votre propre chambre.

La mission du papier : Une simple montre peut-elle raconter toute l'histoire ?

Dans cette étude, une équipe de chercheurs a décidé de voir s'ils pouvaient utiliser ces capteurs de battements cardiaques pour résoudre la version la plus difficile du puzzle du sommeil : distinguer les cinq stades de sommeil distincts (Éveil, Sommeil léger 1, Sommeil léger 2, Sommeil profond et REM/Rêve). Alors que de nombreuses études précédentes tentaient de simplifier le problème en regroupant les stades (comme dire « dites-moi juste si je suis endormi ou éveillé »), les auteurs savaient que fusionner ces stades fait perdre des détails importants sur votre santé. Ils voulaient voir si un modèle d'apprentissage automatique standard pouvait faire la différence entre les cinq, en utilisant uniquement les données cardiaques d'un appareil portable, sans avoir besoin de l'équipement lourd et coûteux de mesure des ondes cérébrales.

Pour ce faire, ils n'ont pas construit un nouveau super-ordinateur ; au contraire, ils ont agi comme des chefs cuisiniers utilisant un ensemble standard d'ingrédients. Ils ont pris les données de 48 personnes qui avaient déjà dormi dans un laboratoire avec un équipement de surveillance complet (de sorte que la « bonne » réponse était déjà connue). Ils ont récupéré les signaux cardiaques (PPG) de ces personnes et les ont découpés en segments de 3 minutes. Pourquoi 3 minutes ? Les auteurs ont raisonné que, bien que le sommeil soit souvent mesuré par tranches de 30 secondes, certains indices de fréquence cardiaque sont comme des ragoûts à cuisson lente ; ils ont besoin de mijoter plus longtemps pour révéler leur véritable saveur. Ils ont ensuite utilisé ces segments pour enseigner à plusieurs types de modèles informatiques « traditionnels » — pensez à eux comme différents styles de détectives, incluant Random Forest, k-Nearest Neighbors et XGBoost — pour reconnaître les motifs de chaque stade de sommeil.

Les chercheurs ont testé deux stratégies principales : une où l'ordinateur regarde uniquement la forme du signal cardiaque, et une autre où il regarde la forme plus les intervalles de temps entre les battements de cœur (appelés intervalles inter-battements ou IBI). C'est comme essayer d'identifier une chanson en écoutant seulement la mélodie par rapport à l'écoute de la mélodie et du rythme ensemble.

Les résultats : Le rythme du battement de cœur l'emporte

Les résultats ont été très prometteurs, mais avec quelques nuances. L'étude a trouvé que combiner la forme du signal avec les intervalles de rythme (IBI) était la recette secrète. Lorsque les modèles utilisaient ces deux types d'indices, ils devenaient bien meilleurs pour deviner les stades du sommeil.

La star du spectacle était le modèle Random Forest. Imaginez un comité de 100 experts différents, chacun posant une question légèrement différente sur les données, puis votant pour la réponse. Cette approche de « comité » a le mieux fonctionné, atteignant une précision de 72,2 % et un score appelé Kappa de Cohen de 0,65. Cela signifie que le modèle était correct environ trois quarts du temps, ce qui est une performance solide pour une tâche aussi difficile. Le modèle k-Nearest Neighbors (qui devine en se basant sur ce que sont les segments de sommeil les plus « proches » ou similaires) est arrivé très près en deuxième position avec 71,6 % de précision.

Cependant, l'article souligne prudemment les domaines où les détectives ont eu du mal. Les modèles étaient excellents pour repérer quand vous étiez éveillé ou en sommeil profond, mais ils avaient du mal à distinguer les stades de « Sommeil léger » (plus précisément le Stade 2). C'est comme essayer de faire la différence entre deux nuances de bleu presque identiques ; les signaux cardiaques pour ces stades sont si similaires que même les meilleurs modèles s'y perdent.

Les auteurs ont également explicitement écarté l'idée qu'il faille un super-ordinateur de « deep learning » (apprentissage profond) massif et complexe pour obtenir ces résultats. Ils ont montré que ces modèles traditionnels plus simples pouvaient être aussi performants que les réseaux de neurones sophistiqués trouvés dans d'autres études, avec l'avantage supplémentaire d'être plus faciles à comprendre et de nécessiter moins de puissance de calcul. C'est un point majeur car cela suggère que votre prochaine montre connectée pourrait effectuer cette analyse directement sur l'appareil, sans avoir besoin d'envoyer vos données vers une immense ferme de serveurs.

L'essentiel à retenir

Alors, qu'est-ce que tout cela signifie ? L'étude suggère que nous n'avons pas nécessairement besoin de nous attacher à un lit d'hôpital pour obtenir une carte détaillée de notre sommeil. En utilisant un simple capteur cardiaque et des modèles informatiques traditionnels intelligents, nous pouvons obtenir une image assez précise de nos stades de sommeil, y compris les plus complexes. Bien que le système ne soit pas encore parfait — il confond encore les stades de sommeil léger — il prouve qu'un appareil portable pourrait un jour nous donner un rapport détaillé, de qualité cinq étoiles, sur la qualité de notre sommeil, directement depuis nos poignets. Les auteurs concluent que cette approche est une étape concrète et pratique vers une surveillance du sommeil abordable et confortable pour tous, même si elle n'est pas encore la « solution miracle » qui résout tous les mystères du sommeil du jour au lendemain.