Un modèle d'IA atteint 87 % de précision dans la classification des stades de sommeil chez les personnes âgées grâce aux ondes cérébrales

Le staging du sommeil est crucial pour diagnostiquer les troubles du sommeil, mais l'analyse manuelle traditionnelle réalisée par des techniciens est chronophage et subjective. Bien que les modèles d'IA aient montré des résultats prometteurs pour la classification automatique du sommeil, la plupart ne tiennent pas compte des différences liées à l'âge dans les schémas de sommeil, notamment la réduction de la durée du sommeil profond qui rend les personnes âgées plus vulnérables aux troubles du sommeil.

Des chercheurs de l'Université de Technologie du Henan ont développé RICM-SleepNet, un modèle d'apprentissage profond spécialisé pour le staging du sommeil chez les adultes de plus de 60 ans. Ils ont utilisé des données provenant de 20 sujets (10 jeunes, 10 plus âgés) issues du jeu de données Sleep-EDF étendu, en analysant les ondes cérébrales (EEG) et les mouvements oculaires (EOG) durant le sommeil. L'équipe a converti ces signaux en cartes de caractéristiques temps-fréquence 3D à l'aide de transformées en ondelettes continues, créant ainsi un jeu de données de plus de 48 000 images.

Le modèle RICM-SleepNet a atteint une précision de 87,66 % dans la classification de cinq stades de sommeil (éveil, stades de sommeil léger N1 et N2, sommeil profond N3 et sommeil paradoxal REM) chez les adultes âgés, avec une valeur kappa de 0,8492 indiquant une excellente concordance. Ce résultat surpasse significativement six modèles de référence, dont ResNet50, qui a servi de base à leur architecture améliorée. Le modèle intègre des modules Inception pour l'extraction de caractéristiques multi-échelles, des mécanismes d'attention pour se concentrer sur les caractéristiques pertinentes, ainsi que des connexions multi-échelles pour mieux exploiter les informations à différentes étapes du traitement.

Les tests comparatifs ont révélé que tous les modèles CNN obtenaient de moins bons résultats sur les jeux de données des adultes âgés que sur ceux des populations plus jeunes, confirmant les défis liés à l'âge dans le staging du sommeil. Les chercheurs ont déterminé qu'une entrée à trois canaux (deux canaux EEG plus EOG) offrait des performances optimales. L'analyse statistique réalisée à l'aide du test de Kruskal-Wallis a confirmé la performance supérieure du modèle avec une haute significativité (p=0,0014).

Ces travaux comblent un manque critique dans les technologies de médecine du sommeil en ciblant spécifiquement les caractéristiques de sommeil propres à la population vieillissante. Le modèle pourrait améliorer l'efficacité et la précision du diagnostic clinique des troubles du sommeil chez les adultes âgés, bien qu'une validation complémentaire en milieu clinique soit nécessaire avant une mise en œuvre à grande échelle.