RED : Réseaux de neurones récurrents profonds pour la détection d'événements du sommeil à partir de l'EEG

L'activité électrique cérébrale présente plusieurs événements courts pendant le sommeil qui peuvent être observés sous forme de micro-structures distinctives dans l'électroencéphalogramme (EEG), tels que les soubresauts du sommeil et les complexes K. Ces événements ont été associés à des processus biologiques et à des troubles neurologiques, ce qui en fait un sujet de recherche important en médecine du sommeil. Cependant, la détection manuelle limite leur étude car elle est laborieuse et sujette à une variabilité inter-experts significative, motivant ainsi l'exploration d'approches automatiques. Nous proposons une approche basée sur l'apprentissage profond utilisant des réseaux neuronaux convolutifs et récurrents pour la détection d'événements EEG pendant le sommeil, appelée Détecteur d'Événements Récurrent (RED). Le RED utilise l'une des deux représentations d'entrée : a) le signal EEG dans le domaine temporel, ou b) un spectrogramme complexe du signal obtenu par la transformée en ondelettes continue (CWT). Contrairement aux approches précédentes, une fenêtre temporelle fixe est évitée et le contexte temporel est intégré pour mieux émuler les critères visuels des experts. Lorsqu'il est évalué sur le jeu de données MASS, nos détecteurs surpassent l'état de l'art tant pour la détection des soubresauts du sommeil que pour celle des complexes K, avec un score F1 moyen d'au moins 80,9 % et 82,6 % respectivement. Bien que le modèle dans le domaine CWT ait obtenu une performance similaire à son homologue dans le domaine temporel, ce dernier permet en principe une représentation d'entrée plus interprétable grâce à l'utilisation d'un spectrogramme. L'approche proposée est agnostique aux événements et peut être utilisée directement pour détecter d'autres types d'événements durant le sommeil.