DE10042813A1

DE10042813A1 - Arrangement for automatic generation of day and sleep profiles for diagnosis of sleep disturbance; obtains characteristics for profile from one-channel electroencephalogram and heartbeat variations

Info

Publication number: DE10042813A1
Application number: DE10042813A
Authority: DE
Inventors: Rudolf Baumgart-Schmitt; Andreas Wenzel; Thomas Boehm; Armin Roethig; Werner M Herrmann
Original assignee: BAUMGART SCHMITT RUDOLF
Current assignee: BAUMGART SCHMITT RUDOLF
Priority date: 2000-08-30
Filing date: 2000-08-30
Publication date: 2001-06-13

Abstract

The arrangement produces the minimum stress to a patient. The required characteristics to obtain the profile are obtained from a one-channel electroencephalogram and the variability of the heartbeat. The heartbeat period is determined from the pulse or from an electrocardiogram. The electroencephalogram, electrocardiogram and pulse sensor electrodes are placed on the forehead or behind the ear. An Independent claim is included for a method for using the device.

Description

Die Erfindung betrifft eine Anordnung und ein Verfahren zur automatischen Generierung von Schlafprofilen unter Ausnutzung von Merkmalen eines einkanaligen EEG und der Variabilität der Herzperioden.The invention relates to an arrangement and a method for the automatic generation of Sleep profiles using the characteristics of a single-channel EEG and the variability of cardiac periods.

Eine gezielte Therapie von Schlafstörungen, unter denen ca. 20% der Bevölkerung industriell entwickelter Länder leiden, bedingt ein Erfassen diagnostischer Daten in möglichst natürlicher Umgebung. Damit sollte ein Meßsystem zur Verfügung stehen, dessen Anordnung durch den Patienten sicher beherrscht wird. Ohne professionelle Hilfe sollten qualitativ hochwertige Daten bei geringster sensorischer Beanspruchung und meßbedingter Schlafbeeinträchtigung gewonnen werden können.A targeted therapy for sleep disorders, among which about 20% of the population is industrial developed countries suffer, requires diagnostic data to be recorded in as natural a way as possible Surroundings. So that a measuring system should be available, the arrangement of which by Patient is controlled safely. Without professional help, high quality should Data with the lowest sensory stress and measurement-related sleep impairment can be won.

Die Erfindung setzt bei dem Verfahren PCT/DE 97/02685 an, welches der automatischen Generierung von Schlafprofilen auf der Basis einer einkanaligen Ableitung hirnelektrischer Potentiale (EEG) dient. Diese so generierten Schlafprofile liefern bereits mit minimalem Aufwand objektive Kriterien, die im Rahmen einer ambulanten vorklinischen Diagnose genutzt werden können. Ein Schlafprofil entsteht durch zeitlich geordnetes Eintragen der durch den Patienten eingenommenen Schlafstadien (s. Fig. 6). Die Schlafstadien werden entweder manuell oder automatisch klassifiziert, wobei für die 20 oder 30 Sekunden umfassenden Epochen zwischen den Flach- oder Leichtschlafstadien S1 und S2, den Tiefschlafstadien S3 und S4, dem Stadium REM, in dem bevorzugt schnelle Augenbewegungen auftreten, dem Stadium mit Körperbewegungen Movement (MOV) und Wach differenziert werden muß. Verglichen mit der üblichen polysomnographischen Ableitung in besonders dafür eingerichteten Schlaflaboren kommt das Verfahren nach PCT/DE 97/02685 statt mit 6-8 mit lediglich einer Ableitung der hirnelektrischen Potentiale aus. Obwohl entsprechend der drastisch verminderten Anzahl von Ableitungen die Informationsbasis reduziert ist, entstehen entsprechend des robusten und adaptiven Klassifikators überwiegend qualitativ hochwertige Profile, die mit den manuell erzeugten so übereinstimmen, daß die davon abgeleiteten therapeutischen Konsequenzen identisch sind. Das Verfahren nach PCT/DE 97/02685 weist außerdem einen entscheidenden Vorteil auf: es kann in der gewohnten Umgebung des Patienten kostensparend zum Einsatz kommen. Die nun vorgeschlagene Erfindung wird die genannten positiven Eigenschaften mit den Zielen ausbauen, die Anzahl der Abweichungen zu manuell den Epochen zugewiesenen Schlafstadien drastisch abzusenken und darüber hinaus zusätzliche Informationen im Sinne der Mikroschlafanalyse liefern.The invention starts with the method PCT / DE 97/02685, which is used for the automatic generation of sleep profiles on the basis of a single-channel derivation of brain electrical potentials (EEG). The sleep profiles generated in this way provide objective criteria that can be used in an outpatient pre-clinical diagnosis with minimal effort. A sleep profile is created by entering the sleep stages taken by the patient in a timely manner (see FIG. 6). The sleep stages are classified either manually or automatically, with the 20 or 30 second epochs between the flat or light sleep stages S1 and S2, the deep sleep stages S3 and S4, the REM stage, in which rapid eye movements occur, the stage with body movements movement (MOV) and Wach must be differentiated. Compared to the usual polysomnographic derivation in sleep laboratories specially designed for this purpose, the method according to PCT / DE 97/02685 manages only with one derivation of the brain electrical potentials instead of 6-8. Although the information base is reduced in accordance with the drastically reduced number of derivations, the robust and adaptive classifier predominantly produces high-quality profiles which match the manually generated ones in such a way that the therapeutic consequences derived from them are identical. The method according to PCT / DE 97/02685 also has a decisive advantage: it can be used cost-effectively in the patient's familiar environment. The now proposed invention will expand the above-mentioned positive properties with the aim of drastically reducing the number of deviations from the sleep stages manually assigned to the epochs, and also providing additional information in the sense of micro sleep analysis.

Weltweit sind in der automatischen Schlafstadieneinteilung die größten Unsicherheiten in der Differenzierung zwischen REM, S1 und Wach zu registrieren. Dies gilt insbesondere auch dann, allerdings mit Abstrichen, wenn zusätzlich zum EEG noch das Elektromyogramm (EMG) als Indikator des Muskeltonus und die Augenbewegungen erfaßt und ausgewertet werden. Augenbewegungen und EMG sind für die maschinelle Auswertung problematische Indikatoren. So treten schnelle Augenbewegungen nicht nur schlafstadienspezifisch auf. Ihre Häufigkeit ist auch von der Schlafdauer abhängig. Früher REM, also REM im ersten Nachtviertel, kann durchaus auch ohne schnelle Augenbewegung als solcher anerkannt werden. Außerdem sind dann die meßtechnischen Aufwendungen durch die zusätzliche Erfassung von EMG und Augenbewegungen, um zu einem Schlafprofil zu kommen, entsprechend größer. Wir haben mit der vorliegenden Erfindung einen Weg eingeschlagen, der zu minimalen meßtechnischen Erfordernissen und Behinderungen des Schläfers fuhren soll, dabei aber garantiert, daß gleichzeitig eine zum frontalen EEG zusätzliche Informationsquelle benutzt werden kann. Gegenwärtig gehört es zum Stand der Technik, die Herzfrequenz bzw. die Herzperiodendauer aus dem EKG oder aus der Pulswelle zuverlässig zu erfassen. Die Fig. 4 und 5 zeigen die Gleichwertigkeit der aus dem EKG und dem Pulssignal gewonnenen Zeitreihen der Herzperiodendauern bzw. Herzfrequenzen und der daraus gewonnenen Spektren. Es ist unbestritten, daß Mittelwerte wesentlicher Parameter des Herzkreislaufsystem, so auch der Herzfrequenz, eine circadiane Rhythmik aufweisen. Der Schlaf ordnet sich als besondere Zeitspanne verminderter motorischer Aktivitäten in den Verlauf der circadianen Rhythmik ein. Ebenso deutlich zeigt sich eine circadiane Variabilität in der Schlagfolge des Herzens, die bei hohen psychischen Anforderungen deutlich niedriger als im entspannten Wachzustand ausfällt. Daher liegt es nahe zu prüfen, ob sich Änderungen in den Werten der Herzfrequenz und ihrer Variabilität (Sinusarrhythmie) schlafstadienspezifisch ausweisen. Auf der Basis von diesbezüglich experimentellen Befunden sind eine Reihe von Patentschriften publiziert worden: In US 005280791 A werden die Leistungsdichtespektren über der Variabilität der Herzperioden genutzt. Die Herzperiodendauer entspricht dem Abstand zwischen aufeinanderfolgenden R-Zacken des EKGs. Diese Spektren unterscheiden sich signifikant in definierten Frequenzbereichen im Hinblick auf REM- und NonREM-Schlafstadien. In dem Patent wird mit der Vorgabe eines Schwellenwertes für das Verhältnis von niedrigeren zu höheren Frequenzanteilen eine diesbezüglich binäre Entscheidung getroffen. Dieses Patent löst unser vorgegebenes Problem nicht, da erstens bei der Erstellung eines Schlafprofils zwischen sieben Klassen unterschieden werden muß und zweitens aufgrund der hohen interindividuellen Variabilität Schwellenwerte keine zuverlässige Entscheidung garantieren können.The greatest uncertainties in the differentiation between REM, S1 and awake can be registered worldwide in the automatic sleep stage classification. This is especially true, however, with drawbacks if, in addition to the EEG, the electromyogram (EMG) is also recorded and evaluated as an indicator of muscle tone and eye movements. Eye movements and EMG are problematic indicators for machine evaluation. So rapid eye movements are not only specific to the sleep stage. Their frequency also depends on the length of sleep. Formerly REM, i.e. REM in the first night quarter, can certainly be recognized as such without rapid eye movement. In addition, the metrological expenditure due to the additional recording of EMG and eye movements in order to arrive at a sleep profile is correspondingly greater. With the present invention, we have embarked on a path which is intended to lead to minimal measurement requirements and disabilities for the sleeper, but at the same time guarantees that an information source which is additional to the frontal EEG can be used at the same time. It is currently part of the state of the art to reliably detect the heart rate or the cardiac cycle duration from the EKG or from the pulse wave. FIGS. 4 and 5 show the equivalence of the recovered from the ECG and the pulse signal of the time series of heart period durations or heart rates and the spectra obtained therefrom. It is undisputed that mean values of essential parameters of the cardiovascular system, including the heart rate, have a circadian rhythm. Sleep is classified as a special period of reduced motor activity in the course of the circadian rhythm. A circadian variability in the heartbeat sequence is also clearly evident, which is significantly lower with high psychological demands than in the relaxed waking state. It therefore makes sense to check whether changes in the values of the heart rate and their variability (sinus arrhythmia) are specific to the sleep stage. On the basis of experimental findings in this regard, a number of patents have been published: US 005280791 A uses the power density spectra over the variability of the cardiac periods. The cardiac period corresponds to the distance between successive R waves of the EKG. These spectra differ significantly in defined frequency ranges with regard to REM and NonREM sleep stages. In the patent, a binary decision is made in this regard by specifying a threshold value for the ratio of lower to higher frequency components. This patent does not solve our given problem, firstly because a distinction has to be made between seven classes when creating a sleep profile and secondly, due to the high inter-individual variability, threshold values cannot guarantee a reliable decision.

Ein weiterer Versuch, die Schlafstadien aus der Variabilität der Herzperiode oder der Herzfrequenz zu erkennen, kann in Patent US 005902250 A ausgemacht werden. Zusätzlich werden allerdings Lidschläge und die Kopfbewegungen einbezogen. Der Informationsinhalt dieser Parameter reicht zum Generieren eines Schlafprofils nicht aus. Es wird lediglich der Versuch unternommen, zwischen REM, NonREM und Wach zu unterscheiden.Another attempt at the variability of the heart period or the sleep stages Recognizing heart rate can be identified in patent US 005902250 A. In addition however, blinking and head movements are included. The information content this parameter is not sufficient to generate a sleep profile. It will only be the Attempt to differentiate between REM, NonREM and Wach.

Das Europäische Patent 0450341 A2/A3 konzentriert sich ebenfalls und lediglich auf das Erkennen des REM-Stadium. In DE 42 09 336 A1 wird eine Weckeinrichtung vorgestellt, die es ermöglichen soll, einen Weckvorgang aus dem REM-Schlaf heraus zu garantieren. Die Zielrichtung entspricht nicht der unsrigen, bei der es um die automatische Generierung eines qualitativ möglichst hochwertigen Schlafprofils geht, welches mit minimalen meßtechnischen Aufwand gewonnen werden soll. Es wird hier prinzipiell nur zwischen REM- und NonREM- Schlafphasen unterschieden. Unter Schlafphasen sind offenbar zusammengefaßte Epochen zu verstehen. Außerdem werden in der Patenschrift keine konkreten Merkmale genannt, die zu Lösung dieser Zielstellung beitragen können, lediglich die zum Stand der Technik gehörenden Meßgrößen, deren Menge und Vielfalt für diese bescheidene Zielstellung allerdings überdimensioniert ist.European patent 0450341 A2 / A3 also focuses and only on that Detect the REM stage. DE 42 09 336 A1 presents an alarm device which it should make it possible to guarantee a wake-up process from REM sleep. The The target direction does not correspond to ours, which concerns the automatic generation of a the highest quality sleep profile possible, which with minimal metrological Effort should be gained. In principle, only REM- and NonREM- Differentiated sleep phases. Epochs are apparently summarized under sleep phases understand. In addition, no specific features are mentioned in the patent pending that Solution to this goal can contribute, only those belonging to the prior art Measured variables, their quantity and variety for this modest goal, however is oversized.

In der Japanischen Patentschrift 06070898 A wird ein Schlafstadienmonitor vorgestellt, der lediglich die Information der Variabilität der Herzperiodendauer ausnutzt, um Schlafstadien zu unterscheiden. Entsprechend unserer umfangreichen Experimente reichen jedoch die Informationen, die alleine aus der Variabilität der Herzperiodendauern extrahiert worden sind, nicht aus, um zuverlässige, diagnostisch verwertbare Schlafprofile generieren zu können. Uns ist es mit diesen Merkmalen lediglich gelungen, mit adaptiven Klassifikatoren auf der Basis neuronaler Netze mit evolutionär optimierter Topologie Profile zu erzeugen, die eine wenig akzeptable Qualität auswiesen. Damit wurde für die Lösung des Problems deutlich, daß die Information, welche in der Variabilität der Herzperioden oder der Herzfrequenz enthalten ist, nur in Verbindung mit EEG-Merkmalen einen entscheidenden Beitrag leisten kann.In Japanese patent specification 06070898 A, a sleep stage monitor is presented, which merely the information of the variability of the cardiac cycle exploits to sleep stages to distinguish. According to our extensive experiments, however, that is enough Information extracted solely from the variability of cardiac periods not enough to be able to generate reliable, diagnostically usable sleep profiles. Us only succeeded with these characteristics, with adaptive classifiers on the basis neural networks with evolutionarily optimized topology to generate profiles that a little proven acceptable quality. This made it clear for the solution of the problem that the Information contained in the variability of the cardiac periods or the heart rate, can only make a decisive contribution in connection with EEG characteristics.

Der Erfindung liegt somit die Aufgabe zugrunde, ein Verfahren und eine Anordnung zur automatischen Generierung von Schlaf- und Tagesprofilen unter folgenden Randbedingungen zu entwickeln:
The invention is therefore based on the object of developing a method and an arrangement for automatically generating sleep and day profiles under the following boundary conditions:

1. The metrological arrangement and the operation of the devices for evaluating the data should be designed so that a patient can control them.
2. The profiles should be of average manual sleep quality and sleep assessment Vigilance come so close that it is used in an outpatient pre-diagnosis can be. The criterion of proximity is met when from the automatically generated profile, the therapy-relevant measures can be derived, which are result in a similar way from a manually created profile.
3. The profiles should be compared to those with the single-channel EEG approach (PCT / DE 97/02685) automatically generated profiles have a significantly increased quality.

Nachfolgend soll die erfindungsgemäße Lösung an Hand eines Ausführungsbeispiels in Verbindung mit 8 Figuren näher erläutert werden.In the following, the solution according to the invention is illustrated in FIG Connection with 8 figures will be explained in more detail.

Dabei zeigen:Show:

Fig. 1: Anordnung der aktiven Elektrode für EEG und EKG und des Sensors für die Erfassung der Pulskurve Fig. 1: Arrangement of the active electrode for EEG and EKG and the sensor for the detection of the pulse curve

Fig. 2: Blockschaltbild der erfindungsgemäßen Anordnung Fig. 2: Block diagram of the arrangement according to the invention

Fig. 3: Verfahrensablaufplan der wesentlichen Programmblöcke zur automatischen Erzeugung eines Schlafprofils Fig. 3: Process flow chart of the essential program blocks for the automatic generation of a sleep profile

Fig. 4: EKG (oben) und die zugehörige Zeitreihe der Herzperiodendauern (mitte) über 110 Sekunden und das aus der Zeitreihe der Herzperiodendauern gewonnene Spektrum (unten) Fig. 4: ECG (top) and the associated time series of cardiac periods (middle) over 110 seconds and the spectrum obtained from the time series of cardiac periods (bottom)

Fig. 5: Pulskurve (oben) und die zugehörige Zeitreihe der Herzperiodendauern (mitte) über 110 Sekunden und das aus der Zeitreihe der Herzperiodendauern gewonnene Spektrum(unten) im Vergleich zu Fig. 4 Fig. 5: pulse curve (top) and the corresponding time series of heart period durations (center) more than 110 seconds, and the spectrum obtained from the time series of heart period durations (bottom) in comparison with 4.

Fig. 6: Vergleich der Schlafprofile für eine ausgewählte Nacht eines Probanden: manuell erstelltes Schlafprofil (oben), automatisch mit EEG-Merkmalen generiertes Schlafprofil (mitte) und automatisch mit EEG-Merkmalen und Merkmalen der Herzperiodendauer generiertes Schlafprofil (unten) Fig. 6: Comparison of the sleep profiles for a selected subject's night: manually created sleep profile (top), automatically generated sleep profile with EEG features (middle) and automatically generated sleep profile with EEG features and cardiac cycle characteristics (bottom)

Fig. 7: Vergleich der Übereinstimmung der automatisch generierten Schlafprofile mit dem manuell erstellten Schlafprofilen für die 8 Schlafstadien über 20 Aufzeichnungen: dargestellt sind die Mediane der Klassifikationsleistungen des Klassifikators mit EEG-Merkmalen (gepunktet) und des erfindungsgemäßen Klassifikators mit EEG-Merkmalen und Merkmalen der Herzperiodendauer (gestreift). Fig. 7: Comparison of the correspondence of the automatically generated sleep profiles with the manually created sleep profiles for the 8 sleep stages over 20 records: the medians of the classification services of the classifier with EEG features (dotted) and the classifier according to the invention with EEG features and features of the Cardiac cycle (striped).

Fig. 8: Differenzen der Mediane der Klassifikationsleistungen des erfindungsgemäßen Klassifikators auf Basis von EEG Merkmalen und Merkmalen der Herzperiodendauer und des Klassifikators auf Basis von EEG Merkmalen über die 8 Schlafstadien: Positive Werte stehen für eine bessere Leistung des erfindungsgemäßen Klassifikators gegenüber dem Klassifikator auf Basis von EEG-Merkmalen. Fig. 8: differences of the medians of the classification performance of the classifier according to the invention based on EEG characteristics and features of the cardiac period duration and the classifier based on EEG characteristics over the 8 sleep stages: Positive values indicate a better performance of the classifier according to the invention compared to the classifier on the basis of EEG characteristics.

Die erfindungsgemäße Anordnung kann den Fig. 1 und 2 entnommen werden. Im Stirnband von Fig. 1 (Bezugszeichen 1) sind ein Vorverstärker und drei Elektroden untergebracht. Die mittlere Elektrode (Bezugszeichen 2) dient als Referenz, während die beiden äußeren Elektroden (Bezugszeichen 3) eine bipolare Ableitung des frontalen EEG ermöglichen. Eine der äußeren Elektroden wird gleichzeitig für eine EKG-Erfassung eingesetzt. Eine zweite EKG-Elektrode befindet sich hinter dem linken oder rechten Ohr an mastoider Position (Bezugszeichen 5). Sollen die Herzperiodendauern nicht aus dem Abstand der beiden R-Zacken des EKG gewonnen werden, so wird die Pulskurve nach dem Reflektionsprinzip in Stirnmitte (Bezugszeichen 4) erfaßt und ausgewertet. Fig. 2 gibt als schematische Darstellung die Hauptkomponenten der weiteren Anordnung wider. An den EEG-Sensor (Bezugszeichen 6) und den EKG- oder Pulswellensensor (Bezugszeichen 7) schließt sich der Sigma-Delta-Wandler (Bezugszeichen 8) an, der den Mikrocontroller (Bezugszeichen 9) mit 22 Bit digitalisierten Werten versorgt. Arbeitet die Anordnung im Offline-Modus können wahlweise die Rohdaten oder die extrahierten Merkmale (s. unten im Text) in dem Speicher (Bezugszeichen 10) abgelegt werden. Damit entscheidet der Nutzer über die Anzahl der Nächte bzw. 24 h Profile, die ohne seriellen oder USB-Transfer der Daten (Bezugszeichen 11) zu einen PC oder Laptop (Bezugszeichen 12) im Gerät festgehalten werden können. Werden die Rohdaten gespeichert, ist ein visuelles Begutachten möglich, um z. B. über den zu erkennenden Störpegel die Qualität der Aufnahmen einschätzen zu können.The arrangement according to the invention can be seen in FIGS. 1 and 2. A preamplifier and three electrodes are accommodated in the headband of FIG. 1 (reference number 1 ). The middle electrode (reference number 2 ) serves as a reference, while the two outer electrodes (reference number 3 ) enable bipolar derivation of the frontal EEG. One of the outer electrodes is used simultaneously for an ECG acquisition. A second EKG electrode is located behind the left or right ear in a mastoid position (reference number 5 ). If the cardiac periods should not be obtained from the distance between the two R waves of the EKG, the pulse curve is recorded and evaluated in the middle of the forehead (reference number 4 ) according to the reflection principle. Fig. 2 shows a schematic representation of the main components of the further arrangement. The EEG sensor (reference number 6 ) and the EKG or pulse wave sensor (reference number 7 ) is followed by the sigma-delta converter (reference number 8 ), which supplies the microcontroller (reference number 9 ) with 22-bit digitized values. If the arrangement works in offline mode, either the raw data or the extracted features (see below in the text) can be stored in the memory (reference number 10 ). The user thus decides on the number of nights or 24-hour profiles that can be recorded in the device without serial or USB transfer of the data (reference number 11 ) to a PC or laptop (reference number 12 ). If the raw data is saved, a visual assessment is possible, e.g. B. to be able to estimate the quality of the recordings via the interference level to be detected.

Erfindungsgemäß wird diese Aufgabe durch ein Verfahren gelöst, welches die vorteilhaften Eigenschaften und Merkmale des einkanaligen Ansatzes nach PCT/DE 97/02685 mit den klassifikationssteigernden Merkmalen der Herzperiodenvariabilität vereint. Der Schwerpunkt dieser Erfindung liegt auf der geeigneten Auswahl und Kombination der Merkmale, die erst als Gesamtmenge die noch zu erläuternde Klassifikationspotenz aufweisen.According to the invention, this object is achieved by a method which is advantageous Properties and characteristics of the single-channel approach according to PCT / DE 97/02685 with the classification-increasing characteristics of cardiac output variability united. The focus This invention is based on the appropriate selection and combination of the features that are first have the classification power to be explained as a total.

Anhand der Fig. 3 soll das erfindungsgemäße Verfahren erläutert werden:The method according to the invention is to be explained with reference to FIG. 3:

Diese Figur enthält ein Blockdiagramm, mit insgesamt 10 Blöcken (Block 13-22), die jeweils wesentliche Verfahrenseinheiten zusammenfassen. Nach dem in den Blöcken 13 das hirnelektrische Potential (EEG) und 14 das Elektrokardiogramm oder die Pulswelle erfaßt wurden, erfolgt die Analog-Digital-Wandlung (Block 15) mit anschließender Detektion von technisch oder biologisch stark gestörten digitalen Werten im Block 16. Mit diesem Schritt werden Werte als Artefakte markiert. Block 17 steht für die sich anschließende Merkmalsextraktion.This figure contains a block diagram, with a total of 10 blocks (block 13-22 ), each of which summarizes essential process units. After the brain electrical potential (EEG) and 14 the electrocardiogram or the pulse wave have been recorded in blocks 13 , the analog-to-digital conversion (block 15 ) takes place with subsequent detection of technically or biologically strongly disturbed digital values in block 16 . This step marks values as artifacts. Block 17 stands for the subsequent feature extraction.

Zunächst werden die Merkmale, welche auf der Basis der Variabilität der Herzperioden oder der Herzfrequenz gewonnen werden, erläutert. Erfindungsgemäß werden zwei Merkmale unmittelbar aus der Zeitreihe der Herzperiodendauern und weitere fünf Merkmale nach Fouriertransformation der Zeitreihe der Herzperiodendauern aus dem normierten Spektrum und extrahiert. Wesentliche Punkte der Erfindung beziehen sich auf die Normierung und die Länge des jeweiligen Intervalls, über welches die leistungssteigernden Merkmale ermittelt wurden. Diese Länge wurde in Abhängigkeit der Klassifikationsleistungen der neuronalen Netze optimiert. Grundsätzlich werden Schlafprofile in der Auflösung von 20 oder 30 Sekunden Epochen präsentiert und interpretiert. Dieser Länge entspricht auch das Analyseintervall über welches die EEG-Merkmale extrahiert werden. Es hat sich gezeigt, daß Merkmale der Variabilität von Herzperioden oder Herzfrequenzen über diesem Zeitbereich ermittelt, sich wenig leistungssteigernd auswirkend. Erfindungsgemäß wird noch die jeweilige Umgebung der Epoche einbezogen. So wird die zu analysierende Zeitreihe für eine Epoche zunächst mit einem Prä- und Postabschnitt von jeweils 40 Sekunden komplettiert, ehe die Merkmalsextraktion erfolgt. Aus der sich ergebenden Länge des Analyseintervalls von 110 Sekunden wird zudem eine wünschenswert gesteigerte Frequenzauflösung von 0.0092 Hz erreicht. Der arithmetische Mittelwert der jeweiligen Epoche wird vor der Transformation in den Frequenzbereich von den Stützstellen der Zeitreihe subtrahiert.First, the characteristics based on the variability of the cardiac periods or of the heart rate are explained. According to the invention, two features immediately from the time series of cardiac periods and another five characteristics Fourier transformation of the time series of cardiac periods from the normalized spectrum and extracted. Essential points of the invention relate to standardization and Length of the respective interval over which the performance-enhancing characteristics are determined were. This length was dependent on the classification performance of the neural Networks optimized. Basically, sleep profiles in the resolution of 20 or 30 Seconds of eras presented and interpreted. This length also corresponds to that Analysis interval over which the EEG characteristics are extracted. It has been shown that Characteristics of the variability of cardiac periods or cardiac frequencies over this time range determined, has little effect on performance. According to the invention, the respective Environment of the epoch included. This is how the time series to be analyzed is for an epoch first complete with a pre and post section of 40 seconds each before the Feature extraction takes place. From the resulting length of the analysis interval of 110 In addition, a desirable increased frequency resolution of 0.0092 Hz becomes seconds reached. The arithmetic mean of the respective epoch is before the transformation in subtracts the frequency range from the support points of the time series.

Das erste Merkmal wird erfindungsgemäß aus dem Quotienten der akkumulierten normierten Werte des Amplitudenspektrums über den Frequenzbereich von 0.04 Hz bis 0.1408 Hz zu den akkumulierten normierten Werten des Amplitudenspektrums über den Frequenzbereich von 0.15 Hz bis 0.4 Hz gebildet. Der als erstes genannte Bereich wird auch als der niederfrequente Bereich bezeichnet und mit LF abgekürzt, während der Bereich bis 0.4 Hz als hochfrequenter Bereich ausgewiesen und mit HF abgekürzt wird. Als Norm für die Spektren wird erfindungsgemäß die quadrierte mittlere Herzperiodendauer über das Analyseintervall festgelegt (Anspruch 6).The first feature is according to the invention from the quotient of the accumulated normalized Values of the amplitude spectrum over the frequency range from 0.04 Hz to 0.1408 Hz to the accumulated normalized values of the amplitude spectrum over the frequency range of 0.15 Hz to 0.4 Hz formed. The range mentioned first is also called the low frequency Range designated and abbreviated with LF, while the range up to 0.4 Hz as high frequency Area and is abbreviated with HF. As the norm for the spectra According to the invention, the squared mean cardiac cycle duration over the analysis interval fixed (claim 6).

Das zweite Merkmal folgt aus der Summe normierten Amplitudendichtewerte über einen Bereich von 0.1 bis 0.1908 Hz, während mit dem dritten Merkmal die Summe der normierten Amplitudendichtewerte für den Frequenzabschnitt von 0.2 Hz bis 0.3 Hz repräsentiert wird. Das schlafstadienspezifische Niveau der Herzperiodendauern soll mit dem arithmetischen Mittelwert der Herzperiodendauern über das Analyseintervall in die Klassifikation als viertes Merkmal eingebracht werden.The second characteristic follows from the sum of normalized amplitude density values over a Range from 0.1 to 0.1908 Hz, while with the third characteristic the sum of the normalized Amplitude density values for the frequency section from 0.2 Hz to 0.3 Hz is represented. The sleep-stage-specific level of the cardiac periods should be with the arithmetic Average of the cardiac periods over the analysis interval in the classification as fourth Feature to be introduced.

Das fünfte Merkmal erfaßt den Bereich niedrigster Frequenzen, der sich über die normierten Amplitudendichtewerte von 0.0092 Hz bis 0.04 Hz erstreckt und mit VLF bezeichnet wird. Mit dem Produkt aus VLF und LF dividiert durch das Quadrat über HF folgt das sechste Merkmal.The fifth characteristic covers the range of lowest frequencies, which are above the normalized Amplitude density values extend from 0.0092 Hz to 0.04 Hz and are referred to as VLF. The sixth follows with the product of VLF and LF divided by the square over HF Characteristic.

Nach Integration der Herzperiodendauern bzw. Herzfrequenzen wird für die jeweilige Länge des Analyseintervalls über das Maßstabsverkleinerungsverfahren oder das Gitterverfahren eine fraktale Dimension ermittelt. Dieses Merkmal sieben soll dem Ansatz entsprechend die schlafstadienspezifische Komplexität der Zeitreihen der Herzperiodendauern in die Klassifikation einbringen.After the integration of the cardiac periods or cardiac frequencies for the respective length the analysis interval using the scaling down method or the grid method determined a fractal dimension. This feature seven is said to be the approach Complexity of the time series of the cardiac periods in the sleep stage-specific Introduce classification.

Die EKG- oder Pulskurven-Merkmale werden durch folgende 12 EEG-Merkmale ergänzt:
The EKG or pulse curve characteristics are supplemented by the following 12 EEG characteristics:

- accumulated power density in the range from 1 to 4 Hz (EEG characteristic 1 ),
- accumulated power density in the range from 5 to 7 Hz (EEG characteristic 2 ),
- accumulated power density in the range from 8 to 11 Hz (EEG characteristic 3 ),
- accumulated power density in the range from 12 to 14 Hz (EEG characteristic 4 ),
- accumulated power density in the range from 15 to 30 Hz (EEG characteristic 5 ),
- accumulated power density in the range from 31 to 63 Hz (EEG characteristic 6 ),

jeweils bezogen auf die Gesamtleistungsdichte,each based on the total power density,

- frequency at 25% of the total power density (EEG characteristic 7 ),
- frequency at 50% of the total power density (EEG characteristic 8 ),
- frequency at 75% of the total power density (EEG characteristic 9 ),
- frequency of the maximum power density value in the range 1 to 4 Hz (EEG characteristic 10 ),
- Frequency of the maximum power density value in the range 8 to 14 Hz (EEG characteristic 11 ) and
- Frequency of the maximum power density value in the range 21 to 30 Hz (EEG characteristic m 12).

Mit Block 18 folgt nach der Merkmalsextraktion eine weitere Artefakterkennung, nun wird die Sinnfälligkeit der Merkmale geprüft. With block 18 , a further artifact recognition follows after the feature extraction, now the sensibility of the features is checked.

Der Block Merkmalsselektion (Block 19) dient der zielgerichteten Auswahl von Merkmalen. Für die unten dargestellten Ergebnisse wurden die Herzperiodendauermerkmale 1 bis 4 im Vorfeld über genetische Algorithmen ausgewählt. Der entscheidende Schritt zur Klassifikation wird im Block 20 vollzogen. Mit dem Anlegen der epochenbezogenen Merkmalssätze an die 16 Eingangsunits der neuronalen Netze werden die Einzelergebnisse an den 7 Outputunits von 10 neuronalen Netzen zu einer Klassenentscheidung aggregiert. Die neuronalen Netze sind zuvor an 10 Nächten unterschiedlicher Probanden trainiert worden. Dabei wurde ihre Topologie, d. h. die Anzahl der verdeckten Units mit dem Softwaresystem SASCIA durch evolutionäre Algorithmen optimiert.The feature selection block (block 19 ) is used for the targeted selection of features. For the results shown below, cardiac cycle characteristics 1 to 4 were selected in advance using genetic algorithms. The decisive step for classification is carried out in block 20 . When the epoch-related feature sets are applied to the 16 input units of the neural networks, the individual results at the 7 output units of 10 neural networks are aggregated to form a class decision. The neural networks had previously been trained on 10 nights by different subjects. Their topology, ie the number of hidden units, was optimized with the SASCIA software system using evolutionary algorithms.

In dem Block 21 wird eine regelbasierte Nachbearbeitung vollzogen, deren Ergebnis das Schlafprofil in Block 22 darstellt.In block 21 , a rule-based postprocessing is carried out, the result of which represents the sleep profile in block 22 .

Die Leistungsfähigkeit der erfindungsgemäßen Anordnung und des Verfahrens soll zunächst beispielhaft anhand der Fig. 6 erläutert werden.The performance of the arrangement and method according to the invention will first be explained by way of example with reference to FIG. 6.

In Fig. 6 sind drei Schlafprofile dargestellt, die jeweils für die gleiche Nacht eines Probanden gelten. Die Güte der beiden maschinell erstellten Profile in Figurmitte und unten werden mit Hilfe des Profils (oben) eingeschätzt. Letzteres wurde nach den Kriterien von Rechtschaffen und Kales manuell ermittelt. Das untere Profil wurde mit dem erfindungsgemäßen Verfahren automatisch generiert. Es weist gegenüber dem mittleren, ebenfalls automatisch nach Verfahren PCT/DE 97/02685 erstellten Profil vor allem im Stadium REM eine signifikant bessere Annäherung zum oben in Fig. 6 zu sehenden Profil auf.In FIG. 6, three sleep profiles are shown, which are valid for the same night of a subject. The quality of the two machine-made profiles in the middle and below of the figure is assessed using the profile (above). The latter was determined manually according to the criteria of righteousness and Kales. The lower profile was generated automatically using the method according to the invention. It has a significantly better approximation to the profile to be seen in FIG. 6 compared to the central profile, likewise created automatically by the PCT / DE 97/02685 method, especially in the REM stage.

Dieser Befund wird über die Ergebnisse der untersuchten Stichprobe von 20 Probanden erhärtet. In den Fig. 7 und 8, deren Ausprägungen sich aus den Medianen der Ergebnisse von 20 Probanden ergeben, zeigen die Mediane der prozentualen Übereinstimmungen der automatisch generierten zu den manuell erstellten Schlafprofilen, ebenfalls wesentliche Unterschiede der beiden automatischen Verfahren für die mit REM eingestuften Epochen. Das erfindungsgemäße Verfahren (gestreift dargestellt) liefert hier die um nahezu 10% bessere Anpassung als das Verfahren ohne Merkmale der Herzperiodendauer (gepunktet dargestellt). Die prozentualen Differenzen in Fig. 8 unterstreichen auch noch weitere Verbesserungen, die den Verlust beim Stadium S1 eine untergeordnete Rolle zuweisen, da das Stadium S1 im Profil bei gesunden Probanden nur mit sehr geringfügigen Anteilen in Erscheinung tritt. This finding is corroborated by the results of the examined sample of 20 subjects. In FIGS. 7 and 8, the characteristics of which result from the medians of the results of 20 subjects, the medians of the percentage correspondence between the automatically generated and the manually created sleep profiles also show essential differences between the two automatic methods for the epochs classified with REM. The method according to the invention (shown in stripes) provides the adaptation which is almost 10% better than the method without characteristics of the cardiac period (shown in dotted lines). The percentage differences in FIG. 8 also underline further improvements which assign the loss in stage S1 to a subordinate role, since stage S1 appears in profile in healthy volunteers with only very minor proportions.

Compilation of reference symbols

11

Stirnband mit Vorverstärker
Headband with preamp

22nd

Referenzelektrode
Reference electrode

33rd

EEG-Elektroden mit EKG-Abgriff
EEG electrodes with EKG tap

44

Pulswellensensor
Pulse wave sensor

55

EKG-Elektrode
ECG electrode

66

EEG-Sensor
EEG sensor

77

EKG/Pulswellensensor
EKG / pulse wave sensor

88th

Sigma-Delta-Wandler
Sigma-delta converter

99

Controller
Controller

1010th

Speicher
Storage

1111

Schnittstelle zu PC (Serielle Schnittstelle/USB)
Interface to PC (serial interface / USB)

1212th

PC
PC

1313

EEG-Erfassung
EEG recording

1414

EKG oder Pulswellenerfassung
EKG or pulse wave detection

1515

A/D-Wandlung
A / D conversion

1616

Artefakterkennung
Artifact detection

1717th

Merkmalsextraktion
Feature extraction

1818th

Artefakterkennung
Artifact detection

1919th

Merkmalsselektion
Characteristic selection

2020th

Adaptive Klassifikation durch eine Population neuronaler Netze
Adaptive classification by a population of neural networks

2121

Regelbasierte Nachbearbeitung
Rule-based post-processing

2222

Schlafprofil
Sleep profile

Claims

1. Arrangement and method for the automatic generation of day and sleep profiles for the diagnosis of sleep and vigilance disorders, characterized in that a minimal stress on the test person is guaranteed, since only features from a single-channel EEG and the variability of the cardiac period are included.

2. Arrangement and method for the automatic generation of day and sleep profiles according to claim 1, characterized in that the values of the cardiac period either EEG electrodes and are obtained from the pulse wave or the EKG Pulse sensors are placed on the forehead and, if necessary, an EKG electrode behind the ear is attached.

3. Arrangement and method for the automatic generation of day and sleep profiles according to claim 1, characterized in that the single-channel EEG and the pulse wave on the forehead of the test person can be detected, with the non-detectable pulse wave automatic allocation of sleep stages S1-S4 and sleep stage REM to Epochs of sleep occur exclusively with EEG characteristics and the signals of the Pulse wave sensors are used for movement detection (sleep stage movement).

4. Arrangement and method for the automatic generation of day and sleep profiles according to claim 1, characterized in that the extracted features trained and topologically optimized populations of neural networks are fed whose Individual services are aggregated and thus a sleep stage-specific assignment enable.

5. Arrangement and method for the automatic generation of day and sleep profiles according to claim 1, characterized in that the profiles generated according to 4. with rules undergo a revision.

6. Arrangement and method for the automatic generation of day and sleep profiles according to claim 1, characterized in that the time intervals for the extraction the characteristics from the sleep-stage-specific heart period (heart rate) serve, both pre and post history of the dynamics of the cardiac period include, which results in three to four times larger time intervals consisting of Preinterval, epoch, postinterval, with the increment of the sleep profile epochs over the Slide record.

7. Arrangement and method for automatically generating a sleep profile after Claim 1, characterized in that by using a sigma-delta converter analog circuitry is only used to acquire the signals and the signals are processed on a purely digital basis.

8. Arrangement and method for automatically generating a sleep profile after Claim 1, characterized in that the quality of the raw signals detected thereby is optimally designed so that the circuits realized with analog technology in be positioned in the immediate vicinity of the detection location of the signals (forehead).