Réseaux de Neurones Convolutifs Profonds pour une Analyse Interprétable du Scoring des Stades du Sommeil par EEG

Les études du sommeil sont essentielles pour le diagnostic des troubles du sommeil tels que l'insomnie, la narcolepsie ou l'apnée du sommeil. Elles reposent sur une évaluation manuelle des stades de sommeil à partir des signaux bruts de polysomnographie, une tâche visuelle fastidieuse qui nécessite le travail de professionnels hautement qualifiés. Par conséquent, ces dernières années ont vu s'intensifier les efforts de recherche visant à développer un système d'évaluation automatique des stades de sommeil basé sur des techniques d'apprentissage automatique (machine learning). Dans cette étude, nous utilisons l'analyse spectrale multitémpan (multitaper) pour créer des images visuellement interprétables des motifs de sommeil à partir de signaux électroencéphalographiques (EEG), servant d'entrée à un réseau neuronal profond convolutif formé pour résoudre des tâches de reconnaissance visuelle. Comme exemple concret d'apprentissage par transfert, nous présentons un système capable de classer avec précision les stades de sommeil chez de nouveaux patients non vus précédemment. Les évaluations effectuées sur un jeu de données largement utilisé et publiquement accessible montrent des résultats favorables comparés aux méthodes les plus avancées actuellement disponibles, tout en offrant un cadre pour l'interprétation visuelle des résultats.