在运动障碍中使用深度大脑刺激和机器学习进行自动睡眠检测
Arjun Balachandar1, Yosra Hashim2, Okeanis Vaou3
1Department of Medicine, University of Toronto, Toronto, Ontario, Canada.
概括
使用大脑活动的自动睡眠检测可以监测像帕金森病这样的运动障碍中的睡眠. 这项技术在区分清醒与睡眠状态方面表现出高度准确性,有助于潜在的适应性深层大脑刺激.
科学领域:
- 神经科学是一个神经科学.
- 生物医学工程 生物医学工程
- 睡眠医学 睡眠医学
背景情况:
- 在运动障碍中自动检测睡眠对于监测和潜在指导自适应性深度大脑刺激 (DBS) 是至关重要的.
- 对于患有运动障碍的患者来说,使用局部场势 (LFP) 了解觉醒与睡眠状态 (WSS) 是必不可少的.
研究的目的:
- 为了在家庭环境中比较清醒期间的局部场势 (LFP) 与睡眠状态 (WSS).
- 在患有帕金森病 (PD),基本震 (ET) 和图雷特综合征 (TS) 的患者中开发WSS的生物标志物.
主要方法:
- 在PD,ET和TS患者中记录了β频段和/或α频段LFP功率光谱密度,5-7个晚上植入Medtronic Percept设备.
- 利用可穿戴的动画摄影来跟踪睡眠模式与LFP记录并发.
- 训练有素的机器学习分类器,根据LFP数据区分清醒和睡眠状态.
主要成果:
- 帕金森病 (PD) 患者在脑下层核 (STN) 中增加了LFPβ功率,并且从睡眠到觉醒时内球 (GPi) 的功率下降;两者都增加了α功率.
- 机器学习模型实现了高WSS分类准确性:93%的PD,所有患者的86%,ET的86%,TS的89%.
- 慢性内窄带记录显示,在各种运动障碍中,睡眠识别是准确的.
结论:
- 慢性内窄带录音提供了一种可行的方法,用于准确识别各种运动障碍患者的睡眠状态.
- 这项概念验证研究强调了LFP生物标志物在PD,ET和TS中用于WSS监测的潜力.
- 这些发现支持通过实时睡眠检测指导的自适应性深度大脑刺激 (DBS) 策略的开发.
