Detection of Sleep related Breathing Disorders and Sleep Stages from the Evaluation of ECG Signals

Erkennung von schlafbezogenen Atmungsstörungen und Schlafstadien anhand der Auswertung von EKG-Signalen

  • The society becomes more and more aware of sleep disorders. This is mainly due to two reasons: first, the media companies attempt to attract attention by publishing topics everyone is interested in. And second, it is in fact true that more and more people become affected by sleep disorders. This is mainly due to the way of living in the industrialized nations characterized increasing levels of stress and Body Mass Index (BMI). "Sleep disorders" is a pretty broad term, i.e., it summarizes completely different types of disorders, mainly physiological and psychological ones. The physiological disorders are caused by organic failures and the psychological disorders result from stress and anxietyThe society becomes more and more aware of sleep disorders. This is mainly due to two reasons: first, the media companies attempt to attract attention by publishing topics everyone is interested in. And second, it is in fact true that more and more people become affected by sleep disorders. This is mainly due to the way of living in the industrialized nations characterized increasing levels of stress and Body Mass Index (BMI). "Sleep disorders" is a pretty broad term, i.e., it summarizes completely different types of disorders, mainly physiological and psychological ones. The physiological disorders are caused by organic failures and the psychological disorders result from stress and anxiety. This work deals with the so called "Sleep Related Breathing Disorders", e.g. apneas. These disorders are characterized by a sleep induced breathing failure which usually can not be observed during the wake state. The latter makes it hard to diagnose the disease as those affected are generally not aware of their critical health condition. The immediate consequences of this disease are fatigue and a reduced daytime efficiency which is often made responsible for car accidents and severe accidents in operating machines. Leaving this disease untreated affects the cardiac system and may lead to heart failure and cerebral insult. The diagnosis of the sleep related breathing disorders is a complicated procedure which requires the evaluation of up to 25 vital parameters by especially trained personal in sleep laboratories. The approach which is pursued in this work aims at reducing the required sensor set to just an electrocardiogram (ECG). The missing information is thought to be retrieved from this vital signal by signal processing algorithms which consider the heart rate as well as the shape of the ECG signal. If possible, this approach would yield not only the option to detect sleep related breathing order events, but to trace potential cardiac sequel as well with just one measurement. Long term ECG recordings are widely applied in today's cardiological diagnosis. The electrocardiogram signal is processed according to two different approaches: The first approach considers only the current heart rate and feeds it into a model of the autonomous nervous system. The second approach seeks the morphological side effects of cardiac load fluctuations on the ECG wave due to changes in the sleep stages or during the compensation phase following an apnea event. Along with the most important morphological markers, e.g., the R-peak or the T-wave, approaches like the Independent Component Analysis and the Fourier transformation are evaluated. The evaluation comprises the selection of the best classifier for each feature set and the determination of the achievable classification rates for each single event type. On the training data set classification rates of up to 86.4% for the obstructive and up to 22.2% for the central apneas were achieved. For the sleep stage classification the achieved results over all sleep stages range from 74.7 - 99.0%. On the test data set 79.2 - 98.9% of all apnea events were detected. Considering the sleep stage classification, the detection rate for wake state was up to 94.4%, for light sleep up to 69.4%, for deep sleep up to 29.3%, and for REM up to 35.5%.show moreshow less
  • Die Gesellschaft wird zunehmend für Schlafkrankheiten sensibilisiert Dies hauptsächlich aus zwei Gründen: erstens versuchen die Medien Aufmerksamkeit auf sich zu ziehen, indem sie Themen publizieren, für die sich viele interessieren. Und zweitens entspricht es auch den Tatsachen, dass immer mehr Menschen von Schlafkrankheiten betroffen sind. Dies wird hauptsächlich durch den Lebensstil in den Industrienationen verursacht, der durch zunehmenden Stress und ungesunde Leibesfülle gekennzeichnet ist. "Schlafstörungen" ist ein sehr weit gefasster Begriff, d.h. er fasst komplett verschiedene Krankheitsbilder zusammen. Die physiologischen Krankheiten werden durch organische Defekte und die psychologDie Gesellschaft wird zunehmend für Schlafkrankheiten sensibilisiert Dies hauptsächlich aus zwei Gründen: erstens versuchen die Medien Aufmerksamkeit auf sich zu ziehen, indem sie Themen publizieren, für die sich viele interessieren. Und zweitens entspricht es auch den Tatsachen, dass immer mehr Menschen von Schlafkrankheiten betroffen sind. Dies wird hauptsächlich durch den Lebensstil in den Industrienationen verursacht, der durch zunehmenden Stress und ungesunde Leibesfülle gekennzeichnet ist. "Schlafstörungen" ist ein sehr weit gefasster Begriff, d.h. er fasst komplett verschiedene Krankheitsbilder zusammen. Die physiologischen Krankheiten werden durch organische Defekte und die psychologischen Krankheiten durch Stress und Angst hervorgerufen. Diese Arbeit beschäftigt sich mit den so genannten "Schlafbezogenen Atmungsstörungen". Diese Krankheiten werden durch Atemaussetzer charakterisiert, die im Wachzustand nicht beobachtet werden können. Dieser Umstand erschwert die Diagnose der Krankheit, da die Betroffenen sich ihres kritischen Gesundheitszustands im Allgemeinen nicht bewusst sind. Die unmittelbaren Konsequenzen dieser Krankheit sind Müdigkeit und eine reduzierte Leistungsfähigkeit am Tage, die häufig für Autounfälle oder schwere Unfälle bei der Bedienung von Maschinen verantwortlich gemacht werden. Bleibt diese Krankheit unbehandelt, führt sie zu Belastungen des Herz-Kreislauf-Systems und schlussendlich zu Herzinfarkt und Schlaganfall. Die Diagnose schlafbezogener Atmungsstörungen ist ein kopmpliziertes Prozedere, welches die Auswertung von bis zu 25 Vitalparametern durch spezielll ausgebildetes Personal in Schlaflaboren erfordert. Der Ansatz, der in dieser Arbeit verfolgt wird, zielt darauf ab, die Anzahl erforderlicher Sensoren auf lediglich das EKG zu reduzieren. Die fehlende Information soll dabei durch Signalverarbeitung aus dem EKG-Signal gewonnen werden. Berücksichtigt werden dabei die Herzfrequenz und die Gestalt des EKG-Signals. Dieser Ansatz bietet nicht nur die Möglichkeit schlafbezogene Atmungsstörungen zu erkennen, sondern auch kardiologische Folgeerkrankungen mit nur einer EKG-Langzeitmessung zu verfolgen. EKG-Langzeitmessungen sind heute Standard in der kardiologischen Diagnostik. Das EKG wird mittels zweier verschiedener Ansätze ausgewertet: Der erste Ansatz berücksichtigt nur die aktuelle Herzfrequenz und deren Änderung und speist diese in ein Modell des autonomen Nervensystems. Der zweite Ansatz sucht die morphologischen Nebeneffekte der kardiologischen Laständerungen auf die EKG-Kurve. Die Laständerungen werden z.B. von Wechseln der Schlafstadien bzw. der Kompensationsphase nach Auftreten von schlafbezogenen Atmungssstörungen verursacht. Zusätzlich zu den markanten morphologischen Markern, z.B. der R-Zacke oder T-Welle, werden Ansätze wie die Independent Coponent Analysis und die Fourier-Transformation zur Charakterisierung der EKG-Kurve als Ganzes ausgewertet. Die Auswertung umfasst die Auswahl des besten Klassifikators für jeden Merkmalssatz und die Bestimmung der erreichbaren Klassifikationsraten für jedes einzelne Schlafstörungsereignis. Auf den Trainingsdaten wurden Klassifikationsraten von bis zu 86,4% für obstruktive und von bis zu 22,2% für zentrale Schlafstörungen erreicht. Für die Schlafstadienklassifikation bewegen sich die Erkennugsraten über alle Schlafstadien zwischen 74,7 und 99,0%. Auf den Testdaten wurden bis zu 98,9% der obstuktiven Schlafstörungen erkannt. Die Schlafstadienklassifikation betreffend lag die Erkennungsrate für den Wachzustand bei bis zu 94,4%, für Leichtschlaf bei bis zu 69,4%, für Tiefschlaf bis zu 29,3% und für REM-Schlaf bei bis zu 35,5%.show moreshow less

Download full text files

Export metadata

  • Export Bibtex
  • Export RIS

Additional Services

Share in Twitter Search Google Scholar
Metadaten
Author:Hans-Joachim Mörsdorf
URN:urn:nbn:de:bvb:29-opus-29335
Advisor:Elmar Nöth
Document Type:Doctoral Thesis
Language:English
Date of Publication (online):2011/11/29
Publishing Institution:Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU)
Granting Institution:Friedrich-Alexander-Universität Erlangen-Nürnberg (FAU), Technische Fakultät
Date of final exam:2011/10/31
Release Date:2011/11/29
Tag:Schlafstadium
Digital Signal Processing; Electrocardiogram; Pattern Recognition; Sleep Apnea; Sleep Stage
SWD-Keyword:Digitale Signalverarbeitung; Elektrokardiogramm; Mustererkennung; Schlafapnoe
Institutes:Technische Fakultät -ohne weitere Spezifikation-
Dewey Decimal Classification:620 Ingenieurwissenschaften und zugeordnete Tätigkeiten

$Rev: 12793 $