Titelaufnahme

Titel
An electroencephalography-based model of daytime vigilance trends / submitted by Gregor Koenig
Verfasser / VerfasserinKoenig, Gregor
Begutachter / BegutachterinDorffner, Georg
Erschienen2012
Umfang189 S. : Ill., graph. Darst.
HochschulschriftWien, Med. Univ., Diss., 2012
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
Bibl. ReferenzOeBB
DokumenttypDissertation
Schlagwörter (DE)EEG / Schläfrigkeit / Aufmerksamkeit / Vigilanz / Quantifizierung / Tag / Trend / Klassifikation / langzeit / Medizintechnik
Schlagwörter (EN)EEG / sleepiness / alertness / vigilance / quantification / daytime / trend / classification / long-term / biomedical engineering
URNurn:nbn:at:at-ubmuw:1-8181 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
An electroencephalography-based model of daytime vigilance trends [5.74 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Die objektive Quantifizierung von Vigilanz und Schläfrigkeit ist mehr denn je ein wichtiger Forschungsgegenstand. Besonders in Industrieländern leiden Menschen unter unzureichendem Schlaf und einer niedrigen Schlafqualität, was zu eingeschränkter Tagesvigilanz führt.

Die Gründe dafür sind mannigfaltig, die Konsequenzen können tödlich sein. Studien zeigen, dass auch die volkswirtschaftlichen Folgekosten enorm sind.

Das Ziel dieser Dissertation ist die objektive Beschreibung von Tagesvigilanz und Tagesschläfrigkeit im gesamten Tagesverlauf auf der Basis von Elektroenzephalogramm (EEG)-basierten Variablen.

Dass die Tagesvigilanz und Schläfrigkeit von homöostatischen und zirkadianen Prozessen beeinflusst wird, ist aus der Literatur bekannt.

Borbély beschreibt die beiden Prozesse im Zwei-Prozess Modell zur Schlafregulation. Diese Dissertation belegt diese Prozesse empirisch mit objektiven EEG-basierten Variablen. Solche Variablen können in einem Modell zur Beschreibung und Vorhersage von Tagesvigilanz und Schläfrigkeit verwendet werden. Auch die Separierung von EEG-Daten von Personen unter Schlafentzug von Daten nach normallangem Schlaf ist mit den EEG-basierten Variablen möglich. Darüber hinaus zeigt diese Arbeit, dass es mit Hilfe von einigen dieser Variablen möglich ist EEG-Daten in 'Schlafentzug' und 'normaler Schlaf' zu klassifizieren.

Im Rahmen der Dissertation wurde eine Studie unter realistischen Bedingungen durchgeführt. Dafür wurden EEG-Signale sowie stündliche subjektive Schläfrigkeitseinschätzungen und Reaktionszeiten von 26 gesunden männlichen und weiblichen Personen für zweimal 24 Stunden aufgezeichnet. Die Aufzeichnungseinheiten bestanden jeweils aus einer Nacht und einem Tag. Bei einer der beiden Einheiten wurde Schlafentzug induziert. Die beiden Einheiten waren in einem 14-tägigen Überwachungszeitraum eingebettet, in dem ein Aktivitätsprofil (Aktigramm) und ein Schlaftagebuch aufgezeichnet wurden.

Von den aufgezeichneten Daten wurden 52 EEG-basierte Variablen abgeleitet, wie zum Beispiel die Power von EEG Frequenzbändern, Quotienten aus Frequenzbändern, Komplexitäts- und Entropiemaße sowie Variablen, basierend auf EEG-Ereignissen und EEG-Artefakten.

Mit statistischen Mitteln wie Korrelationskoeffizienten und einem paarweisen t-Test wurden die homöostatischen und zirkadianen Trends in den Daten analysiert und mit dem Zwei-Prozess-Modell verglichen. Weiters wurden die Variablen auf Ihre Eignung untersucht, wie gut sie EEG-Daten unter Schlafentzug von Daten nach Normalschlaf unterscheiden können.

Basierend auf der Kombination der homöostatischen Trends von Variablen wurde ein Klassifizierungsmodell erstellt. Die Korrektheit der Klassifizierung wurde mit Hilfe eines k-fachen Kreuzvalidierungsverfahrens überprüft und die Signifikanz mit einem chi-quadrat Test erhoben.

Die Analyse der Daten zeigt, dass einige Variablen ein Verhalten aufweisen, das signifikant mit dem Zwei-Prozess Modell korreliert. Dabei wurden Trends bei Artefakt-basierten Variablen festgestellt, zum Beispiel ein starker negativer homöostatischer Trend bei durch Augenbewegungen verursachten Artefakten. Die Standardabweichung der Aktivität im Theta-Frequenz-Band ist ein Beispiel für einen starken zirkadianen Trend. Einige Variablen zeigen eine gute Eignung zur Trennung von EEG-Daten unter Schlafentzug von Daten nach normalem Schlaf, zum Beispiel die Power des relativen Delta-Bands oder der (theta+alpha)/beta Quotient.

Diese Variablen können als beschreibende oder vorhersagende Biomarker für Tagesvigilanz und Tagesschläfrigkeit verwendet werden.

Die homöostatischen Trends einer Kombination von Variablen wurden als Klassifikationsmodell verwendet und zeigten einen signifikanten Anteil von 80% korrekten Klassifizierungen. Die am besten geeignetsten Variablen basierten auf EEG Aktivität im Theta-, sehr hohen Beta- und Delta-Frequenz-Band sowie Variablen, die auf Augen- und Muskel-Artefakten beruhen.

Wir konnten signifikante empirische Hinweise für homöostatisches und zirkadianes Verhalten von EEG-basierten Variablen geben. Diese Arbeit ist ein wichtiger Schritt in Richtung einer objektiven Beschreibung und Vorhersage von Vigilanz und Schläfrigkeit. Die erfolgreichen Resultate tragen zu einem besseren Verständnis der Abbildung von Aufmerksamkeitsprozessen im EEG bei und ermutigen uns das Thema weiter zu verfolgen.

Zusammenfassung (Englisch)

The objective quantification of vigilance and sleepiness is more than ever an important focus in research. Impaired daytime vigilance due to insufficient sleep and low sleep quality has become an inevitable fact in industrialized countries. The reasons are manifold, the consequences may be fatal. Studies show that the the loss of human life but also the economic costs are substantial.

The aim of this thesis is to objectively describe long-term daytime vigilance and sleepiness based on Electroencephalogram (EEG)-derived variables.

The homeostatic and circadian influences on daytime vigilance and sleepiness are well known. Borbély describes them in the two process model of sleep regulation. This thesis provides empirical evidence for these processes based on objective EEG-based variables. Such variables can be used in a model describing and predicting diurnal vigilance and sleepiness and to separate EEG data from subjects after sleep-deprivation from data after normal sleep. It is further shown that the vigilance trends of several variables can be used to classify daytime EEG data under sleep deprivation and after normal sleep.

An exploratory study was conducted under real-world conditions, including 26 healthy female and male subjects. For two 24 hour periods we recorded EEG channels using a mobile system, along with hourly subjective sleepiness ratings and reaction times. The sessions consisted of a night and a day under a sleep-deprived and a normal-sleep condition. The two sessions were embedded in 14 days of recording actigraphy and sleep quality ratings.

52 EEG-based variables were derived from the acquired data, such as frequency band powers, band ratios, complexity and entropy measures, and EEG events such as alpha events or diurnal sleep spindles. EEG artifacts are also used as variables.

The actigraphy data was used to estimate the individual circadian rhythm. For the analysis of circadian trends we scaled the data relative to the individual circadian phase, for the homeostatic analysis relative to the time of wake up.

Using statistical means such as correlation coefficients and paired t-tests we analyzed the variables' homeostatic and circadian trends, compared them to the two-process model, and tested the variables' ability to distinguish between the data under sleep deprivation and data after normal sleep. Based on the homeostatic trends of a combination of variables a model was build that is able classify EEG data according to the two conditions. The correctness was assessed by a k-fold cross-validation and the significance was tested based on a chi-squared test.

In the analysis several variables were discovered that show behavior significantly correlated to the two-process model. Especially the daytime-trends of EEG-artifacts provide an interesting insight, for instance the artifacts caused by eye movements correlate negatively with the homeostatic timescale. The standard deviation of the theta band is an examples for a variable with a strong circadian behavior.

Several variables are able to separate sleep-deprived data from data after normal sleep. Good examples for separating variables are the relative delta-band power or the (theta+alpha)/beta ratio. These variables can serve as descriptive and predictive biomarkers for diurnal vigilance and sleepiness in the EEG during daytime.

The homeostatic trends of a combination of variables were used as a classification model and showed significantly correct classification rates of 80%. The best performing variables were based on EEG activity in the theta-, very high beta-, and delta-frequency-bands as well as variables derived from eye and muscle artifacts.

We were able to provide significant empirical evidence for the circadian and homeostatic behavior of EEG-based variables.

Our exploratory work is an important step towards objectively describing and predicting daytime vigilance and sleepiness. The positive results contribute to a better understanding of the representation of attentive processes in the EEG and encourage us to investigate the topic on a larger scale.