A semiautomatic spindle detection platform with minimal expert intervention based on interaction between two software
Abstract
Denne studien tar sikte på å finne en mer praktisk måte å utnytte to forskjellige offentlige programvaredetektorer som en plattform for å minimere arbeidsbelastningen utført av søvneksperter for å annotere søvnspindler (”sleep spindles”). Målet er at et laboratorium eller forskningssenter skal kunne bygge opp en tilpasset database ved hjelp av egen data, hvor søvneksperten skal bruke tiden sin på å verifisere annoteringer i stedet for kjedelig og repeterende manuelt arbeid. Ved å bruke sin egen database er målet at maskinlæringsprogramvaren fortsatt skal kunne oppdage spindler i data som inkluderer artefakter spesifikke for det respektive laboratoriet. Søvnspindle er en definerende karakteristikk for N2 søvn i Non-REM-søvn (NREM), selv om disse også forekommer i de andre stadiene av NREM.
Gjennom hele prosjektet ble to forskjellige programvaredetektorer valgt på grunn av deres distinkte egenskaper, der kombinasjonen av disse to eliminerer behovet for en søvn ekspert for å identifisere spindler i en søvnsyklus. De offentlige programvaredetektorene var A7-algoritmen (#A7) og ”Dreem One Shot Event Detektor” (DOSED), som spesialiserer seg på annotering av ulike hendelser. Søvnskåring var allerede tilgjengelig for alle datasett som ble brukt i dette prosjektet, og derfor ble det ikke brukt automatisk detektorer for dette. Motivasjonen er å fjerne tidkrevende og monotont arbeid for en søvnekspert, hvor arbeidet som legges til grunn for å bruke de foreslåtte kombinerte detektorene vil frigjøre tid samt gi mer nøyaktige merknader. Det vil være noe mer moderat arbeidsbelastning i det man bygger opp databasen, men med et større og mer mangfoldig grunnlag vil annoteringen kun kreve at en person begynner å kjøre programvaren mens den predikerer uten behov for tilsyn.
Den semiautomatiske spindeldeteksjonsplattformen viser potensiale der arbeidsmengden til søvnekspertene reduseres drastisk. Derimot vil et større datasett være nødvendig for å bedre etterligne manuelle merknader. ”Pipeline”-modellen vil være anvendelig for å oppdage andre hendelser, der brukervennligheten til DOSED kan utnyttes ytterligere siden den er i stand til å detektere for flere mikroarkitekturhendelser.
Dataen ble samlet inn fra ”International Institute for Integrative Sleep Medicine” (WPI-IIIS), Universitetet i Tsukuba, Japan. Dataen ble samlet inn fra tre forskjellige studier. Hetten som ble brukt i eksperimentene besto av 128 EEG-kanaler, brukt til å overvåke hjernebølgeaktivitetene gjennom elektroder festet til hodebunnen og ansiktet. This study aims to find a more practical way to exploit two different public software detectors as a platform to minimize workload performed by sleep experts to annotate sleep spindles. The goal is for a laboratory or research center to be able to build up a customized database using their own database, where the sleep expert will spend the time verifying annotations instead of tedious and repetitive manual work for entire datasets. By using their own database, the target is for the machine learning software to still be able to detect spindles in data that include artifacts specific for the respective lab. Sleep spindles are a defining characterisation of N2 sleep in Non-Rapid Eye Movement (NREM) sleep, although these also occur in the other stages of NREM sleep.
Throughout the project, two different software detectors were chosen due to their distinct properties were the combination of these two eliminates the need for a sleep expert to identify these events. The public software detectors were the A7-algorithm (#A7) and Dreem One Shot Event Detector (DOSED), which specializes in event annotations. Sleep scoring was already available for all datasets used in this project, and therefore no automatic detectors were applied for this. The motivation is to remove time-consuming and monotonous work for a sleep expert, where the work put in place to use the proposed platform will free up time as well as provide more accurate annotations over time. There will be a somewhat more moderate workload in building the database, but with a larger and more diverse basis, the annotations will only require a person to start running a script while it predicts without the need for supervision.
The semiautomatic spindle detection platform shows potential where the workload for the sleep expert is drastically decreased. However will a bigger dataset be needed to fully emulate manual annotations. The pipeline would be applicable to detect other events, where the usability of DOSED can be further exploited since it is able to detect for multiple micro-architecture events.
The data were collected from the International Institute for Integrative Sleep Medicine (WPI-IIIS), University of Tsukuba, Japan. The data was gathered from three different studies. The cap used in the experiments consisted of 128 EEG channels, used to monitor the brain wave activity through electrodes attached to the scalp and face.