Multimodal somnography-related signal derivation and sleep event classification through end-to-end explainable deep learning

Recognizing the importance of sleep quality in persons’ overall health, sleep disorders are of profound interest because of their linkage with the quality of life and for possible severe comorbidities. The current study has been made in collaboration with Biocubica S.r.l. whose team has developed a medical device able to acquire a multitude of physiological signals called Soundi. The objective of this study is to use Soundi to acquire multiple registrations on healthy subjects during a sleep night. Multimodal procedures must then be applied to extract somnography-related signals. Beside signal processing, even multi-modal and multiscale AI algorithms are required to recognize and classify relevant sleep events. An interactive tool must then be developed to actuate the labeling process and to create the dataset. Explainable deep learning techniques were required to satisfy the explainability requirements. The somnography-related signals that have been derived using the signal processing techniques have shown greater capacitance in exhibiting breathing patterns, especially Apnoea and Snoring events. The deep learning architecture that has been developed has shown outstanding perfor- mances in recognizing patterns within the involved time series. Furthermore, this type of architecture is completely scalable and could be used with other class sets or for other scopes. Even the explainability counterpart of the process has been proven to be useful for the foreseen purposes. Confidence indexes are coherent when dealing with misclassified samples in respect to the one correctly classified. Heatmaps has shown great performances in highlighting relevant patterns within the provided input. This allowed the user easily validating the prediction made and even taking more conscious decisions. Talking about limits, the major one is the absence of a clinical phase used as reference support to all the decisions made. Moreover, the consult of an expert in sleep analysis and the concomitant use of standard PSG instrumentation would have facilitated the dataset’s creation. Future developments come directly from a possible clinical phase involving patients with a high AHI.

Riconoscendo l’importanza della qualità del sonno per la salute generale della persona, i disturbi del sonno risultano essere di grande interesse per via della loro stretta relazione con la qualità di vita e con l’insorgenza di eventuali complicanze di carattere patologico. Il corrente studio è stato svolto in collaborazione con Biocubica s.r.l., il cui team ha sviluppato un dispositivo medicale, il Soundi, capace di acquisire numerosi segnali fisiologici. L’obiettivo di questo studio è quello di utilizzare il Soundi per svolgere acquisizioni di segnali fisiologici di soggetti sani durante il sonno. Al fine di estrarre segnali legati alla somnografia da tali acquisizioni devono essere utilizzate procedure multimodali. Sono richiesti, oltre all’analisi dei segnali, degli algoritmi multimodali e multi-scala di AI applicati con l’obiettivo di riconoscere e classificare gli eventi rilevanti del sonno. Inoltre, deve essere sviluppato uno strumento interattivo attraverso cui creare e processare il dataset. Ed infine, sono richieste tecniche di XAI per soddisfare i requisiti di spiegazione degli algoritmi. I segnali di interesse somnografico estrapolati dalle acquisizioni hanno dimostrato possedere notevoli capacità di riconoscimento dei pattern respiratori, soprattutto quelli riguardanti le apnee e il russamento. Gli strumenti di AI creati hanno mostrato notevoli capacità nel riconoscere eventi d’in- teresse nelle serie temporali fornitegli. Essendo un’architettura scalabile, potrebbe essere utilizzata anche per altre classificazione o per altri scopi. Anche la parte dei processi di spiegabilità si è dimostrata utile per lo scopo previsto. Gli indici di confidenze sono coerenti se utilizzati per comparare le classificazioni corrette da quelle erronee. Infine, anche le mappe si sono dimostrate utili nell’individuare i pattern d’interesse all’interno dei segnali d’ingresso. Questo permette all’utente di validare in maniera intuitiva la classificazione automatica e di prendere decisioni con maggiore coscienza. Tra i limiti del progetto, quello maggiore è l’assenza di una fase clinica di riferimento rispetto decisioni prese. Inoltre, il consulto di un medico esperto nell’analisi del sonno e la messa a confronto del Soundi con la strumentazione standard per la polisomnografia avrebbe senza dubbio facilitato la creazione del dataset di partenza. In futuro sarebbe interessante svolgere nuovi studi partendo col colmare le mancanze della fase clinica, coinvolgendo pazienti affetti da disturbi del sonno con severità maggiore rispetto a quella dei soggetti del corrente studio.