Statistical Analysis of Electrocardiogram Signal for Sleep / Awake Stages

Öz

Sleep staging is an important stage of the disease diagnosis methods commonly used in sleep laboratories. pecialist physician detects sleep stages according to biological signals such as electroencephalography, electrocyogram and electromyography. There are 5 different stages. These are Awake, Stage 1, Stage 2, Stage 3 and Rapid Eye Movement Sleep. In some diseases, there is no need to determine each stage of sleep. It is sufficient to determine only the Sleep / Awake stages. In this study, the relationship between electrocardiographic signal and Sleep / Awake states which are more easily available was analyzed statistically. For this purpose, sleep records from two individuals were cleaned with numerical filters and divided into 30 second epochs. Twenty-five features were removed from each epoch and a statistical relationship was found between the features of Sleep and Awake. 21 of the 25 features were found to be correlated with Sleep / Awake (p < 0:05). As a result, it has been concluded that electrocardiography signal can be used in sleep / awake detection.

Anahtar Kelimeler

• Statistical signal processing
• Sleep / Awake Analysis
• Electrocardiography
• Statistical analysis
• Correlation Calculation

Elektrokardiyogram Sinyalinin Uyku / Uyanıklık Evreleri için İstatistiksel Olarak İncelenmesi

Öz

Uyku evreleme uyku laboratuvarlarında sıklıkla kullanılan hastalık teşhis yöntemlerinin önemli bir aşamasıdır. Bireyden alınan elektroensefalografi, elektrookulogram ve elektromiyografi gibi biyolojik sinyallerin uzman doktor tarafından incelenmesiyle birlikte uyku evreleri tespit edilir. 5 farklı evre vardır. Bunlar Uyanıklık, Evre 1, Evre 2, Evre 3 ve Hızlı Göz Hareketleri evresidir. Bazı hastalıklarda uykunun her evresinin belirlenmesine ihtiyaç yoktur. Sadece Uyku / Uyanıklık durumlarının belirlenmesi yeterlidir. Bu çalışmada, daha kolay elde edilebilir olan elektrokardiyografi sinyali ile Uyku / Uyanıklık durumları arasındaki ilişki istatistiksel olarak incelenmiştir. Bunun için iki bireyden alınan uyku kayıtları sayısal filtreler ile temizlenmiş ve 30 saniyelik epoklara bölünmüştür. Her epoktan 25 adet özellik çıkarılmış ve özelliklerin Uyku / Uyanıklık ile arasındaki istatistiksel ilişki saptanmıştır. 25 özelliğin 21'inin Uyku / Uyanıklık ile istatistiksel olarak ($p<0.05$) ilişkili olduğu tespit edilmiştir. Sonuç olarak elektrokardiyografi sinyalinin Uyku / Uyanıklık tespitinde kullanılabileceği kanısına varılmıştır.

Anahtar Kelimeler

• İstatistiksel sinyal işleme
• Uyku / Uyanıklık analizi
• Elektrokardiyografi
• İstatistiksel analiz
• Korelasyon hesabı

Kaynakça

1. [1] Muhammed Kür¸sad Uçar. Obstrüktif Uyku Apne Te¸shisi için Makine Ö˘grenmesi Tabanli Yeni Bir Yöntem Geli¸stirilmesi. PhD thesis, Sakarya Üniversitesi, 2017.
2. [2] Richard B Berry, Rohit Budhiraja, Daniel J Gottlieb, David Gozal, Conrad Iber, Vishesh K Kapur, Carole L Marcus, Reena Mehra, Sairam Parthasarathy, Stuart F Quan, Susan Redline, Kingman P Strohl, Sally L Davidson Ward, and Michelle M Tangredi. Rules for scoring respiratory events in sleep: update of the 2007 AASM Manual for the Scoring of Sleep and Associated Events. Deliberations of the Sleep Apnea Definitions Task Force of the American Academy of Sleep Medicine. Journal of clinical sleep medicine : JCSM : official publication of the American Academy of Sleep Medicine, 8(5):597–619, oct 2012.
3. [3] Muhammed Kür¸sad Uçar, Mehmet Recep Bozkurt, Cahit Bilgin, and Kemal Polat. Automatic sleep staging in obstructive sleep apnea patients using photoplethysmography, heart rate variability signal and machine learning techniques. Neural Computing and Applications, 29(8), 2018.
4. [4] Muhammed Kür¸sad Uçar, Mehmet Recep Bozkurt, Cahit Bilgin, and Kemal Polat. Automatic detection of respiratory arrests in OSA patients using PPG and machine learning techniques. Neural Computing and Applications, 28(10):2931–2945, oct 2017.
5. [5] Muhammed Kür¸sad Uçar, Kemal Polat, Mehmet Recep Bozkurt, and Cahit Bilgin. Uyku EEG ve EOG Sinyallerinin Sınıflandırılmasında Zaman ve Frekans Domeni Özelliklerinin Etkisi. In Tıp Tekno 2014 - Tıp Teknolojileri Ulusal Kongresi Bildirisi, pages 163–166, Kapadokya, Nev¸sehir, Türkye, 2014.
6. [6] Hemant Sharma and K.K. Sharma. An algorithm for sleep apnea detection from single-lead ECG using Hermite basis functions. Computers in Biology and Medicine, 77:116–124, 2016.
7. [7] Cahit Bilgin, Unal Erkorkmaz, Muhammed Kursad Ucar, Nese Akin, Ahmet Nalbant, and Ali Nihat Annakkaya. Use of a portable monitoring device (Somnocheck Micro) for the investigation and diagnosis of obstructive sleep apnoea in comparison with polysomnography. Pakistan journal of medical sciences, 32(2):471–5, 2016.
8. [8] Reha Alpar. Uygulamalı istatistik ve geçerlilik güvenirlilik: Spor, sa˘glık ve e˘gitim bilimlerinden örneklerle. Detay Yayıncılık, Ankara, 2 edition, 5 M.K. Uçar vd. / Çalı¸smanın Ba¸slıgının Kısaltılmı¸s Hali Her Kelimenin ˘ ˙ Ilk Harfi Büyük (Baglaçlar Hariç) Olacak ¸Sekilde Buraya Eklenmelidir ˘ 2016.

9. [9] Muhammed Kür¸sad Uçar, ˙ Inanç Moran, Deniz Turgay Altılar, Cahit Bilgin, and Mehmet Recep Bozkurt. Kronik Obstrüktif Akciger Hastalı ˘ gı ile ˘ Elektrokardiyogram Sinyali Arasındaki ˙ Ili¸skinin ˙ Istatistiksel Olarak ˙ Incelenmesi. Journal of Human Rhythm, 4(3):142–149, sep 2018.
10. [10] Nazif Onur Olcay. Acil Serviste Sa˘glık Çalı¸sanlarının Elektrokardiyogram Bilgi Düzeyinin De˘gerlendirilmesi. Acil tıp uzmanlık tezi, T.C. Saglık ˘ Bakanlıgı, 2017