Methods for the analysis and interpretation of the Cyclic Alternating Pattern of Sleep

The study of the Cyclic Alternating Pattern (CAP) is an approach of relatively recent introduction integrating the traditional analysis of the sleep architecture with a more detailed description of the dynamic mechanisms at the basis of sleep. CAP is a periodic activity visible on NREM sleep EEG, composed of a higher activation phase, called phase A, and a phase in which only the background is visible, called phase B. CAP contains information that is relevant in clinics for evaluating the sleep quality: its parameters represent fundamental markers of sleep instability and can be used to support the diagnosis and optimize the treatment of a number of sleep pathologies. However, at the present time, CAP analysis is restricted to a limited number of sleep laboratories, due on one hand to a certain criticism towards this phenomenon, considered very descriptive and dependent on the scorer, and on the other hand, to the practical difficulty in performing its scoring, based on the visual recognition of each phase A on the EEG of whole night sleep recordings, requiring specific skills and knowledge and representing a very time-consuming activity. The present dissertation has as its goal the development of a set of tools which can be of use for encouraging the analysis and interpretation of CAP. It provides a quantitative, and not only qualitative measure of the EEG modifications that occur during CAP phases A, by computing descriptors with relevant information content in characterizing the phases A with respect to the background. Then, such descriptors are used to train an automatic classifier to detect CAP phases A. Different algorithms are employed for this purpose: discriminant functions, Support Vector Machines, Artificial Neural Networks and Adaptive Boosting. Techniques for refining the algorithms are presented, such as automatic EEG segmentation, an extension of the SVM algorithm to a two-lead classification, and a method for accurate recognition of phase A borders are presented. The analysis of CAP characteristics is integrated with a quantitative investigation of its relationship with the Autonomic Nervous System and the possibility of employing CAP and HRV parameters for the analysis of sleep-related disorders is also presented. The final instrument for CAP research provided in this comprehensive work is the CAP Sleep Database, a collection of annotated polysomnographic recordings which is available on the physiological data repository PhysioNet and can be employed not only to replicate the presented classification methods, but also to push further research on CAP interpretation and automatic classification. It can be concluded that the work presented in this dissertation may constitute a valid platform for the development of a complete, automatic CAP classifier, addressing the problem of lengthy visual scoring and inter-scorer variability. At the same time, it gives objective credibility to this phenomenon suggesting tools for its physiological interpretation and application in clinical practice.

Lo studio del Cyclic Alternating Pattern (CAP) è un approccio d’introduzione relativamente recente, che integra la tradizionale analisi dell’architettura del sonno con una descrizione più dettagliata dei meccanismi dinamici che ne stanno alla base. Il CAP è un’attività periodica visibile sul segnale EEG durante il sonno NREM, composta da una fase di maggiore attivazione, detta fase A, e una fase di ritorno al ritmo di base, detta fase B. Il CAP contiene informazioni rilevanti nella pratica clinica per la valutazione della qualità del sonno: i suoi parametri rappresentano indicatori fondamentali dell’instabilità del sonno e possono essere utilizzati come supporto alla diagnosi e per ottimizzare la cura di svariati disturbi del sonno. Tuttavia, al momento, l’analisi del CAP è limitata a un numero ristretto di centri del sonno, da un lato a causa di un certo criticismo verso lo studio di questo fenomeno, considerato molto descrittivo e dipendente dal classificatore, dall’altro a causa delle difficoltà pratiche nell’eseguirne la classificazione, basata sul riconoscimento visivo di ciascuna fase A a partire dall’EEG registrato durante intere notti di sonno, che richiede abilità e conoscenze molto specifiche e rappresenta un’attività impegnativa e di lunga durata. Questa trattazione ha come obiettivo lo sviluppo di un insieme di strumenti che possono essere utili per incoraggiare l’analisi e l’interpretazione del CAP. Essa fornisce una misura di tipo quantitativo, e non solo qualitativo, delle variazioni che avvengono nell’EEG durante le fasi A del CAP, attraverso il calcolo di descrittori con contenuto informativo rilevante nel distinguere le fasi A rispetto al ritmo di base. Successivamente, questi descrittori sono utilizzati per allenare un classificatore automatico a riconoscere le fasi A del CAP. A questo scopo sono stati impiegati diversi algoritmi: funzioni discriminanti, Macchine a Vettori di Supporto (SVM), Reti Neurali Artificiali, e “Adaptive Boosting”. Vi sono inoltre presentate alcune tecniche per perfezionare gli algoritmi, come la segmentazione automatica dell’EEG, un’estensione delle SVM a una classificazione a due derivazioni, e un metodo per il riconoscimento accurato dei limiti delle fasi A. L’analisi delle caratteristiche del CAP è integrata con un’indagine quantitativa della sua correlazione con il Sistema Nervoso Autonomo e viene anche presentata la possibilità di utilizzare parametri del CAP e di variabilità cardiaca per l’analisi di disturbi legati al sonno. Lo strumento finale per la ricerca sul CAP proposto in questo lavoro è il CAP Sleep Database, una raccolta di registrazioni polisonnografiche annotate disponibile sull’archivio di dati fisiologici PhysioNet, che può essere utilizzata non solo per riprodurre i metodi di classificazione qui presentati, ma anche per promuovere ulteriore ricerca sull’interpretazione e classificazione automatica del CAP. Si può concludere che il lavoro presentato in questa trattazione può rappresentare una valida piattaforma per lo sviluppo di un classificatore automatico del CAP completo, che risolva il problema della lunga classificazione automatica e della variabilità tra le classificazioni di esperti differenti. Allo stesso tempo, essa conferisce credibilità oggettiva a questo fenomeno, proponendo degli strumenti per la sua interpretazione fisiologica e applicazione clinica.