Détection du sommeil et ses phases avec actigraphie et de l’intensité lumineuse

Abstract

Objectif

La détection du sommeil à l’aide d’actigraphie a constamment évolué au cours des deux dernières décennies. Principalement en utilisant des marqueurs liés à l’activité. La majorité des actimètres comprennent un détecteur de lumière, que nous proposons d’utiliser avec les données de l’accéléromètre pour identifier le sommeil et même ses phases.

Méthodes

Des données issues d’une étude polysomnographique de 4 nuits avec 12 participants, ont été utilisés pour entraîner un modèle de Random Forest. Les participants ont aussi porté un actimètre mesurant les activity counts, la température et l’éclairement. Le modèle a été entraîné sur 67 % des données pour la détection du sommeil et ses phases. La validation a été faite sur le reste des données (test1) et des données issues d’une autre étude (test2) de 12 (différents) participants qui portaient un actimètre pendant une nuit de polysomnographie.

Résultats

Le modèle a atteint un médian Cohen-kappa score (sur test1) de 0,94 pour la détection du sommeil et de 0,85 pour les phases de sommeil. Lorsque le modèle a été testé sur des données test2, il a obtenu un médian Cohen-kappa score de 0,81 pour la détection du sommeil et de 0,66 pour des phases du sommeil. Un test non-paramétrique, suivi d’un test post hoc, a montré que notre approche était significativement meilleure que trois algorithmes de détection du sommeil basés sur des seuils d’activité. Des algorithmes avec un seuil d’activité constituent actuellement la seule approche pour détecter le sommeil sur les données issu d’actimètres lo-fi.

Conclusion

Cette étude a incorporé l’éclairage aux données d’accélération et de température afin de détecter de sommeil et ses phases à l’aide d’un modèle de Random Forest. Le modèle a atteint une bonne précision sur deux jeux de données de test, pour la détection du sommeil et aussi pour ses phases. La taille modeste des données pourrait soulever des inquiétudes quant à la validité des résultats. Néanmoins, ce modèle, constitue un premier pas permettant de prendre en compte l’exposition à la lumière pour la détection du sommeil et ses phases. Un futur étude sur la dataset MESA devrait permettre de valider l’approche et sa précision sur des données plus importante.