Добірка наукової літератури з теми "Classification d'état du sommeil"

Introduction La majorité des études sur l’exposition à la fumée du tabac et la qualité du sommeil se fondent sur le tabagisme autodéclaré, ce qui peut entraîner des erreurs de classification de l’exposition et des biais liés à l’autodéclaration. L’objectif de cette étude consistait à étudier les associations entre la concentration de cotinine urinaire – un marqueur biologique de l’exposition à la fumée du tabac – et diverses mesures de la qualité du sommeil, soit le temps de sommeil, la continuité ou l’efficacité du sommeil, la satisfaction à l’égard du sommeil et le degré de vigilance durant les heures normales d’éveil. Méthodologie À l’aide des données d’un échantillon national de 10806 adultes (âgés de 18 à 79 ans) tiré de l’Enquête canadienne sur les mesures de la santé (2007-2013), nous avons effectué des analyses de régression logistique binaire pour estimer les associations entre concentration de cotinine urinaire et mesures de la qualité du sommeil, en tenant compte des facteurs de confusion éventuels. De plus, nous avons effectué une régression logistique ordinale pour évaluer les associations entre concentration urinaire de cotinine et présence d’un nombre plus élevé de troubles du sommeil. Résultats Dans l’ensemble, 28,7 % des répondants à l’enquête ciblant les adultes canadiens présentaient des concentrations de cotinine urinaire supérieures à la limite de détection, et la prévalence de chaque trouble du sommeil variait entre 5,5 % et 35,6 %. Une concentration élevée de cotinine dans l’urine (4e quartile par rapport à une concentration inférieure à la limite de détection) était associée à une probabilité significativement plus élevée d’avoir un temps de sommeil trop court ou trop long (rapport de cotes [RC] = 1,41; IC à 95 % : 1,02 à 1,95; tendance p = 0,021), d’avoir de la difficulté à s’endormir ou à rester endormi (RC = 1,71; IC à 95 % : 1,28 à 2,27; tendance p = 0,003), de ressentir une insatisfaction à l’égard du sommeil (RC = 1,87; IC à 95 % : 1,21 à 2,89; tendance p = 0,011) et de présenter un nombre plus élevé de troubles du sommeil (RC = 1,64; IC à 95 % : 1,19 à 2,26; tendance p = 0,001). Les relations observées étaient plus marquées chez les femmes que chez les hommes. Conclusion Notre étude, qui a fait appel à un marqueur biologique de l’exposition à la fumée du tabac, contribue à l’ensemble de la littérature traitant de l’effet de l’exposition aux substances toxiques de l’environnement sur la qualité du sommeil en montrant qu’il existe une relation entre l’exposition à la fumée du tabac et un sommeil de mauvaise qualité. Pour tenir compte des limites inhérentes à la nature transversale du plan d’étude et pour mieux évaluer les effets sur le long terme de l’exposition à la fumée de tabac sur la qualité du sommeil, il est nécessaire de réaliser des études longitudinales.

The article considers one of the fundamental challenges in the theory of revolution - classification of revolutions. The author analyzes the four most popular features of revolutions that are used to define their types: “revolution from above”, “revolution from below”, “popular revolution” (the marker of the real revolution “from below”), “passive revolution” and “conservative revolution”. All these concepts have a common methodological basis, are closely interrelated in definitions and have the same problems of being used for classifying revolutions. The author examines the principles of introducing these terms and the possibility of their application for classifying revolution by asking two questions: 1) does the classification (and the definition) cover all known social-political revolutions; 2) does the classification (and the definition) allow to consider as revolutions quite different phenomena just similar to revolutions in a number of external features. The main problem of the contemporary discourse is systematization of revolutions according to the above ‘names’ that are accepted as classifying definitions. Moreover, these “new types of revolutions” are added to the existing classifications, which creates confusion, blurs the boundaries of the “revolution”, and allows other social-political phenomena - radical and mass protests, reforms and coups d'état - to be named “revolutions”. The concepts “revolution from above”, “revolution from below”, “popular revolution”, “passive revolution” and “conservative revolution” are socially significant and can be used in everyday discourse, perhaps also in the social-political space (which, however, causes difficulties), but are not scientific terms and cannot be grounds for the scientific classification of revolutions.

RÉSUMÉ Le processus d'intégration européenne, la globalisation des échanges économiques et l'intensification des réformes des systèmes nationaux de protection sociale ont impulsé un développement remarquable des travaux d'analyse comparée des Etats providences. Quelques-unes des récentes étapes de cette réflexion sur l'avenir des dispositifs nationaux de protection sociale sont rappelées ici. L'auteur montre ainsi que l'on est passé, en à peine une décennie, d'un débat centré sur l'identification de types d'État providence, avec des controverses sur la nature des variables à prendre en compte ou sur le nombre de ces régimes typiques, à une réflexion qui privilégie les trajectoires de ces systèmes de protection sociale, autrement dit à une analyse des mutations que connaissent ces différents régimes, ce qui pose centralement la question de leur convergence ou de leur démantèlement partiel.

Ce manuscrit présente les travaux effectués dans le cadre d'une thèse CIFRE réalisée en collaboration entre le LITIS et Saagie, et qui s'inscrit dans le projet PANDORE-IA en partenariat avec le centre du sommeil VIFASOM.Les signaux électroencéphalographiques (EEG) sont très utiles pour aider les experts à identifier diverses anomalies comme les troubles du sommeil. En particulier dernièrement, la communauté s'est beaucoup intéressée au COVID long et à ses divers impacts sur le sommeil. Ces signaux sont cependant volumineux : la compression permet de réduire les coûts de stockage et de transfert. Les approches récentes de compression se basent sur des autoencodeurs qui utilisent une fonction de coût pour apprendre. Celle-ci est usuellement la MSE, mais il existe des métriques plus adaptées aux séries temporelles, en particulier DTW. DTW n'est toutefois pas différentiable et ne peut donc être utilisée pour un apprentissage de bout-en-bout.Pour résoudre ce problème, nous proposons dans cette thèse deux approches d'approximation de DTW basées sur des réseaux de neurones. La première approche utilise un réseau siamois pour projeter les signaux de sorte que la distance euclidienne des signaux projetés soit la plus proche possible de la DTW des signaux originaux. La deuxième approche tente de directement prédire la valeur de DTW. Nous montrons que ces approches sont plus rapides que les autres approximations différentiables de DTW tout en obtenant des résultats similaires à l'utilisation de DTW dans des tâches de requêtage ou de classification de signaux du sommeil.Nous montrons ensuite que l'approximation siamoise peut être utilisée comme fonction de coût pour apprendre un système de compression des signaux de sommeil basé sur un autoencodeur. Nous justifions du choix de l'architecture du réseau par le fait qu'elle nous permet de faire varier le taux de compression. Nous évaluons ce système de compression par la classification sur les signaux compressés puis reconstruits, et montrons que les mesures usuelles de qualité de compression ne permettent pas de correctement évaluer la capacité d'un système de compression à conserver l'information discriminante. Nous montrons que nos approximations de DTW permettent d'obtenir de meilleures performances sur les données reconstruites que des algorithmes de compression usuels et que d'autres fonctions de coût de reconstruction.Enfin, pour étudier l'impact du COVID long sur l'insomnie, nous collectons et mettons à disposition de la communauté un jeu de données nommé COVISLEEP, constitué de polysomnographies de personnes ayant développé une insomnie chronique après infection du COVID, et de personnes souffrant d'insomnie chronique mais n'ayant pas été infectées par le virus. Nous comparons diverses approches à l'état de l'art pour classifier les états du sommeil, et utilisons la meilleure pour apprendre la détection de COVID long. Nous montrons la difficulté de la tâche, notamment due à la forte variabilité entre les patients. Ceci offre à la communauté un jeu complexe qui laisse place au développement de méthodes plus performantes
This manuscript presents the work carried out within the framework of the CIFRE thesis conducted in partnership between LITIS and Saagie and which is part of the PANDORE-IA project in association with the VIFASOM sleep center.Electroencephalographic (EEG) signals are very useful in helping experts identify various abnormalities like sleep disorders. Recently, the community has shown great interest in long COVID and its various impacts on sleep. However, these signals are voluminous: compression allows reducing storage and transfer costs. Recent compression approaches are based on autoencoders that use a cost function to learn. It is usually the Mean Squared Error (MSE), but there are metrics more suited to time series, particularly Dynamic Time Warping (DTW). However, DTW is not differentiable and thus can not be used as a loss for end-to-end learning.To solve this problem, we propose in this thesis two approaches to approximate DTW based on neural networks. The first approach uses a Siamese network to project the signals so that the Euclidean distance of the projected signals is as close as possible to the DTW of the original signals. The second approach attempts to predict directly the DTW value. We show that these approaches are faster than other differentiable approximations of DTW while obtaining results similar to DTW in query or classification on sleep data.We then demonstrate that the Siamese approximation can be used as a cost function for learning a sleep signal compression system based on an autoencoder. We justify the choice of the network architecture by the fact that it allows us to vary the compression rate. We evaluate this compression system by classification on the compressed and then reconstructed signals, and show that the usual measures of compression quality do not allow for a proper assessment of a compression system's ability to retain discriminative information. We show that our DTW approximations yield better performance on the reconstructed data than conventional compression algorithms and other reconstruction losses.Finally, to study the impact of long COVID on insomnia, we collect and provide the community with a dataset named COVISLEEP, containing polysomnographies of individuals who developed chronic insomnia after COVID infection, and of those suffering from chronic insomnia but who have not been infected by the virus. We compare various state-of-the-art approaches for sleep staging, and use the best one for learning the detection of long COVID. We highlight the difficulty of the task, especially due to the high variability among patients. This offers a complex dataset to the community that allows for the development of more effective methods

Cette thèse s'inscrit dans le cadre de l'étude d'un système de classification automatique du sommeil basé sur un bracelet multicapteur permettant, entre autre, l'acquisition du signal de variation de pression de l'artère radiale. Ce signal est segmenté en époques, caractérisées par un vecteur de paramètres, parmi lesquels figurent les fréquences cardiaque et respiratoire dont l'importance est connue pour l'analyse du sommeil. C'est pourquoi nous développons, dans un premier temps, plusieurs estimateurs de ces fréquences s'appliquant au signal acquis par le bracelet. Deux méthodes sont ensuite étudiées pour réaliser l'opération de classification de ce vecteur dans l'un des six états de vigilance : la règle bayésienne, s'appuyant sur une modélisation monogaussienne, et un réseau de neurones. Nous proposons également deux méthodes de rescorage permettant de corriger les erreurs de classification, et évaluons leurs performances.

Cette thèse porte sur la classification automatique de sommeil humain et plus précisément le développement d’un système automatique de classification d’enregistrements polysomnographiques composés de trois signaux: EEG, EOG et EMG. Le système développé est conçu pour prendre en compte l’occurrence d’artéfacts polluant ces signaux en utilisant les caractéristiques les plus discriminantes issus de ces signaux. La première partie de la thèse présente une procédure permettant l’identification automatique, sur des plages de signaux de 2 secondes, de 8 types d’artéfacts parmi les plus courants ainsi qu’une stratégie permettant d’évaluer la qualité globale d’un signal sur une période de 20 secondes. Dans une deuxième partie, une méthode de sélection de caractéristiques est proposée puis appliquée sur une base de signaux, afin de sélectionner les caractéristiques qui serviront d’entrées au classifieur. Enfin, en conséquence des deux premières parties, un système de classification automatique à deux étapes est proposé. Dans une première étape, un système de détection d’artéfacts permet de sélectionner les signaux ne présentant pas d’artéfacts au cours de l’epoch à classer. Dans la deuxième étape, les caractéristiques les plus discriminantes sont extraites et classées à l’aide d’un réseau de neurones sélectionné parmi un ensemble de quatre classifieurs, chaque classifieur utilisant des caractéristiques d’entrées extraites de combinaisons de signaux différentes. Le système proposé permet la classification des enregistrements de nuits de sommeil à partir de caractéristiques extraites de signaux non pollués par des artefacts, sans perdre un trop grand nombre d’epochs
This thesis engages in automatic analysis of human sleep. It mainly focuses on the development of an automatic system for classification of polysomnographic recordings, composed of three signals: EEG, EOG and EMG. This thesis proposes a complex classification system, which is capable to deal with various artifacts possibly present in the physiological signals and which uses the most relevant parameters computed from the analyzed signals. The first part of this thesis presents a procedure to automatically identify eight common artifacts in 2-sec segments of the analyzed signals. Then, a strategy is applied in order to evaluate quality of the signals characterizing each 20-sec epoch of the recording. In the second part of this thesis, an iterative feature selection method is proposed and applied on a large database of polysomnographic recordings, so as to select the most relevant parameters that will serve as inputs for the automatic classifier. Then, as a result of the two first parts, a complex two-step sleep/wake stages automatic classification system is proposed. In a first step, an artifact detection system selects the artifact-free polysomnographic signals in the epoch to be scored. In the second step, the features selected as the most relevant are extracted from the artifact-free signals and classified using a neural network classifier chosen among a bank of four classifiers, which differs one from the others by the signals used. Thus, the final classification system allows classification using relevant features computed from artifact-free signals, without loosing many

Cette thèse porte sur la classification automatique de sommeil humain et plus précisément le développement d'un système automatique de classification d'enregistrements polysomnographiques composés de trois signaux: EEG, EOG et EMG. Le système développé est conçu pour prendre en compte l'occurrence d'artéfacts polluant ces signaux en utilisant les caractéristiques les plus discriminantes issus de ces signaux.
La première partie de la thèse présente une procédure permettant l'identification automatique, sur des plages de signaux de 2 secondes, de 8 types d'artéfacts parmi les plus courants ainsi qu'une stratégie permettant d'évaluer la qualité globale d'un signal sur une période de 20 secondes.
Dans une deuxième partie, une méthode de sélection de caractéristiques est proposée puis appliquée sur une base de signaux, afin de sélectionner les caractéristiques qui serviront d'entrées au classifieur.
Enfin, en conséquence des deux premières parties, un système de classification automatique à deux étapes est proposé. Dans une première étape, un système de détection d'artéfacts permet de sélectionner les signaux ne présentant pas d'artéfacts au cours de l'epoch à classer. Dans la deuxième étape, les caractéristiques les plus discriminantes sont extraites et classées à l'aide d'un réseau de neurones sélectionné parmi un ensemble de quatre classifieurs, chaque classifieur utilisant des caractéristiques d'entrées extraites de combinaisons de signaux différentes. Le système proposé permet la classification des enregistrements de nuits de sommeil à partir de caractéristiques extraites de signaux non pollués par des artefacts, sans perdre un trop grand nombre d'epochs.

L’objectif de cette thèse est l’amélioration d’un système de classification automatique des stades de sommeil par la prise en compte des variabilités inter-et-intra individuelles, ces dernières ayant un effet détrimentaire sur la classification. Nous nous intéressons en particulier à la détection des épisodes de sommeil paradoxal au cours de la nuit. Nos recherches se focalisent sur le transfert d’apprentissage et la sélection de détecteurs adaptés, permettant l’individualisation de l’analyse par l’exploitation des propriétés des données observées. Nous avons focalisé nos travaux sur l’application des méthodes d’alignement de noyau, dans un premier temps au travers de l’utilisation du kernel-target alignment étudié ici de manière duale, c’est-à-dire à noyau fixé et optimisé par rapport aux étiquettes recherchées des données de tests. Dans un second temps, nous avons introduit le kernel-cross alignment, permettant d’exploiter plus fortement l’information contenue dans les données d’apprentissage. Les idées développées dans le cadre de ces travaux ont été étendues à la sélection automatique d’un ensemble d’apprentissage adapté à un ensemble de test donné. Les contributions de ces travaux sont à la fois méthodologiques et algorithmiques, à portée générale, mais également centrées sur l’application
This doctoral project aims at improving an automatic sleep staging system by taking into account inter-and-intra-individual variabilities, the latter having adversary effects on the classification. We focus on the detection of Rapid-Eye Movement periods during sleep. The core of our research is transfer learning and the selection of suitable detector(s) among a set, allowing the individualisation of the analysis by the exploitation of the observed data properties. We focus on the application of kernel alignment methods, firstly through the use of kernel-target alignment, studied here in a dual way, i.e. the kernel is fixed and the criterion is optimised with respect to the sought target labels. In a second step, we introduced kernel-cross alignment, allowing to take more efficiently advantage of the information contained in the training data. The ideas developed in the framework of this work have been extended to automatically selecting one or more efficient training sets for a given test set. The contributions of this work are both methodological and algorithmic, general in scope, but also focused on the application

Un facteur limitant dans le développement des études sur le sommeil réside dans le fait que, conventionnellement, les traces polygraphiques sont analysés visuellement. L'objectif de la thèse concernait l'étude et la réalisation d'un système automatique des stades du sommeil. L'intérêt essentiel est de décharger les chercheurs du sommeil de nombreuses heures de lecture des tracés, de réduire la subjectivité du jugement humain en augmentant la productivité. La méthode est basée sur l'analyse simultanée de trois signaux électrophysiologiques : l'électro-encéphalogramme (EEG), l'électro-oculogramme (EOG) et l'électromyogramme (EMG). L'analyse numérique des enregistrements du sommeil, réalisée en temps réel, peut être décomposée en 3 étapes : l'extraction de paramètres temps-fréquence sur les trois signaux échantillonnées ; la classification de chaque vecteur de paramètres dans l'un des stades du sommeil à l'aide d'un réseau de neurones multicouches ; l'analyse informatisée de la classification automatique pour la sortie d'un rapport de la nuit du patient. Les performances du système indiquent un pourcentage d'accord global de 80. 6% comparativement à un groupe de 10 experts dont la variabilité est estimée à 87. 9% sur la base d'époques de 30 secondes. Le système d'analyse automatique des stades du sommeil peut être considéré comme une alternative utile à l'analyse visuelle pour de nombreuses investigations du sommeil humain.

Le diagnostic des troubles du sommeil repose sur l'analyse de différents signaux enregistrés lors d'un examen du sommeil. Cette analyse est réalisée par un spécialiste du sommeil qui étudie la ventilation et, selon l'outil de diagnostic, la succession des stades de sommeil. Cette dernière tâche est particulièrement chronophage et complexe. Trois algorithmes d'aide au diagnostic et dédiés à cette tâche sont présentés.Le premier permet la classification éveil/sommeil lors de l'utilisation d'un nouvel outil de diagnostic. Il en découle la possibilité pour le médecin de diagnostiquer précisément le syndrome d'apnées du sommeil et à moindre coût.Le deuxième, fondé sur les voies électrophysiologiques, permet d'obtenir une classification de tous les stades de sommeil à partir de l'outil de diagnostic le plus complet. Il a été implémenté en considérant les limitations à l'utilisation d'un tel algorithme en routine clinique. L'architecture de cet algorithme reproduit ainsi le processus de classification réalisé manuellement par les médecins. Une fonction de seuillage auto-adaptatif a aussi été mise en place afin de fournir une classification patient-dépendante. Les résultats obtenus sont comparables avec ceux des médecins.Le troisième algorithme, fondé sur les voies cardio-respiratoires, permet de classifier les stades de sommeil à partir d'un outil de diagnostic très utilisé mais pour lequel il n'est normalement pas possible d'étudier les stades de sommeil. La tâche est complexe, mais les résultats obtenus sont satisfaisants vis-à-vis de la littérature.Les trois algorithmes, destinés aux différents outils de diagnostic, permettront d'aider les spécialistes à analyser le sommeil
The diagnostic of sleep-disordered breathing requires the analysis of various signals obtained while recording sleep. The analysis is carried by a sleep specialist, which studies the patient's ventilation and, depending on the diagnostic tool used for the record, sleep stages. Sleep stage scoring is a complex and time-consuming task. Three diagnosis support algorithms dedicated to this task are presented in this thesis.The first one provides a wakefulness versus sleep classification, designed for a new diagnostic tool. It results in the ability to make a precise diagnosis of sleep apnea syndrome, at low cost.The second algorithm, based on electrophysiological channels, provides a full sleep stage classification while using the most complete diagnosis tool. It was implemented considering the known limitations for the use of algorithms in clinical practice. Its architecture thus reproduces the manual scoring process. A self-adaptative thresholding function was also implemented to provide a patient-dependent classification. The obtained results are comparable with the ones from sleep experts.The third algorithm, based on cardio-respiratory channels, provides a sleep stage classification while using a diagnostic tool that is insufficient for a manual sleep scoring, yet still highly used. The task is challenging but the obtained results are satisfying compared to literature.All three algorithms, which were designed for various diagnostic tools, will help sleep experts analyzing sleep

L'origine physiologique de certains signaux leur donne des caractéristiques complexes difficiles à interpréter. L'il expert de l'operateur humain peut interpréter tel ou tel signal, non sans se tromper dans son jugement de temps à autre. En effet, la reconnaissance de forme de signaux electrophysiologiques par l'operateur humain, puis la décision restent très subjectives et peuvent varier d'un operateur à un autre. Ce travail a donc, pour objectif de présenter une approche méthodologique globale au problème de traitement automatique des signaux electrophysiologiques, autour d'une instrumentation pour la reconnaissance automatique, temps réel, des différents stades de sommeil et de veille chez le rat à partir du traitement d'un signal electroencephalographique cortical: à partir d'un enregistrement du signal EEG, reconnu par un expert, on a élaboré des représentations-modèles des différents stades auxquelles on a associé des procédures de reconnaissance de forme en temps réel.