30Международная научно-практическая конференция
УДК 004
Васин Максим Алексеевич Vasin Maxim Alekseevich
Аспирант Postgraduate
Национальный Исследовательский Томский Политехнический Университет
National Research Tomsk Polytechnic University
ИСТОРИЧЕСКИЙ И ЭТИЧЕСКИЙ АСПЕКТЫ РАЗВИТИЯ ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ПО ОПРЕДЕЛЕНИЮ ФАЗ СНА В
ОБЛАСТИ СОМНОЛОГИИ
HISTORICAL AND ETHICAL ASPECTS OF SOFTWARE DEVELOPMENT FOR SLEEP STAGES RECOGNITION IN THE FIELD OF SOMNOLOGY
Аннотация: Одной из непростых задач является диагностика и последующее лечение нарушений структуры сна. Для этого необходимо произвести детальный статистический анализ многих факторов во время сна пациента с помощью специального медицинского оборудования. Для выявления и интерпретации некоторых аномалий сна важно знать, в какой фазе сна находится человек. Универсальный и единственный достоверный метод на сегодня -это полисомногорафия. Однако есть методы аналоги, использующие алгоритмы машинного обучения. Цель данной статьи - дать обзор известных подобных методов и изучить технические и этические аспекты аналогичных исследований для реализации собственного алгоритма по определению фаз сна используя воздушный поток. Применяемые методы основаны на использовании алгоритмов мультиклассовой классификации машинного обучения.
Abstract: One of the most challenging tasks is diagnostics and therapy of sleep disorders. It is necessary to make a detailed statistical analysis of many factors during a patients sleep using special medical devices. To identify and interpret some sleep anomalies, it is important to know which sleep phase the person is in. The universal and only reliable method today is polysomnogoraphy. However, there are analogous methods that use machine learning algorithms. The purpose of this article is to provide anshort overview of known similar methods and to explore the technical and ethical aspects of similar studies for implementation own algorithm for determining sleep phases using respiratory flow. The applied methods are based on the use of machine learning multiclass classification algorithms.
Ключевые слова: фазы сна, машинное обучение, методы определения фаз сна,
Международная научно-практическая конференция сомнология, сипап-терапия, полисомнография, техническая этика.
Key words: sleep stages, machine learning, sleep stage detection methods, somnology, CPAP-therapy, polysomnography, technical ethics.
Довольно молодая наука сомнология, изучающая проблематику и процесс сна, на сегодня использует современные средства вычислительной техники. Но однако это было не всегда так. Цель данной статьи дать краткий обзор методов и используемого программного обеспечения от истоков до сегодняшнего дня, а также рассмотреть предлагаемый метод по определению фаз сна с технической и этической сторон.
С точки зрения науки техники одной из главных проблем является этический аспект — проблема допустимых пределов использования и внедрения в сферы деятельности людей. Исходя из цели эта проблема весьма актуальна, так как область применения — медицина.
История развития науки о сне
Понятия сна менялось параллельно со сменой мировоззрения человечества. Так в античной философии господствовало мифологическое воззрение, а Аристотель, в дошедших до нас трактатах писал о близости сна к смерти: «...сон же, по-видимому, принадлежит по своей природе к такого рода состояниям, как, например, пограничное между жизнью и не жизнью, и спящий ни не существует вполне, ни существует, ибо состоянию бодрствования жизнь присуща главным образом благодаря ощущению» [1]. Понимание сна как состояния, близкого к смерти, царило в умах европейцев до конца XIX века. Это существенно задержало возникновение и замедлило развитие науки о сне. В то время как на Востоке, в Индии и Китае, сон занимал более почетное место. Индийские религиознофилософские трактаты Веды и Упанишады, созданные неизвестными авторами, в течение многих веков передавались устно и, наконец, были записаны на санскрите на древесной коре и пальмовых листьях. В записях, дошедших до наших дней, описывалось два вида сна — без сновидений
Международная научно-практическая конференция (глубокий) и со сновидениями, причем сновидения рассматривались уже как
отдельная форма сознания [2].
В XIX в. мистические понятия постепенно стали уступать место физиологическим и химическим, но суть менялась не сильно. Огромный вклад в развитие науки о сне внес Натаниэль Клейтман, описавший в 1939 году концепцию цикла покоя-активности. В 19-20 века исследования носили уже эмпирический характер и включали в себя эксперименты, использование специальный устройств и приспособлений для анализа показателей. Таким образом к середине 19 века произошло рациональное обобщение понятия сна, путем публикации научных трудов и проведения исследований в этой области и были выделены фазы сна, формирующие ночной цикл. Это было достигнуто благодаря исследованию записей электроэнцефалографии (ЭЭГ). Клейтман выделил 4 стадии сна: фаза N1, N2, N3 и фаза быстрого движения глаз [3]. На рисунке 1 можно посмотреть схематичное изображение ночного цикла.
Рис. 1. Цикл сна
В среднем за ночь, у здорового человека происходит 4-6 смен цикла, продолжительность одной итерации около 90 минут [4, 5]. В течение ночи суммарная доля фаз быстрого сна постепенно увеличивается, уменьшая долу фаз медленного сна.
Методы
В сомнологии методы можно разделить на 2 категории: диагностика и
Международная научно-практическая конференция терапия. Первые из них направлены на анализ показателей организма во время сна, и возможные заболевания. Вторые — на устранения нарушений сна. Рассмотрим метод полисомнографии, относящийся к первой группе. Стоит отметить, что полисомнография являлась и является самым точным методом определения фаз сна [5]. Данная процедура используется в лабораториях сна и специализированных клиниках. В целом во время сна измеряется целый комплекс жизненых показателей пациента. Этот анализ направлен на выявление патологий и нарушений структуры сна [6]. В качестве сигналов для распознавания фаз анализируются сигналы волн мозговой активности (ЭЭГ) и движения мышц (ЭМГ), в частности глазных (ЭОГ).
Если вышеописанная полисомнография направлена на диагностику расстройств и исследование сна, то для лечения заболевания существуют различные виды терапии. Рассмотрим на примере одну из них. В 1981 г. был придуман метод назальной СиПАП-терапии (от англ. CPAP — Continuous Positive Airway Pressure) — вентиляции легких постоянным положительным давлением воздуха. Современный СиПАП-прибор представляет собой небольшой дыхательный аппарат, нагнетающий под постоянным давлением комнатный воздух через нос в дыхательные пути, что препятствует их спадению. Режим работы прибора врач-специалист подбирает индивидуально для каждого больного. Самые простые модификации прибора создают постоянный уровень давления всю ночь, более сложные увеличивают давление на вдохе и снижают на выдохе.
Эволюция программного обеспечения
После рассмотрения исторической составляющей науки о сне, можно прейти к программному обеспечению, помогающему врачам диагностировать, определять структуру и расстройства сна, назначать лечение. Традиционно сон определяют как поведенческое состояние целого организма. Для выделения стадий сна используются данные, полученные с одного из участков на поверхности головы или даже иные, чем ЭЭГ, полисомнографические сигналы. Примерами могут служить
Международная научно-практическая конференция электроокулограмма и электромиограмма, которые записываются одновременно с ЭЭГ для выявления фазы быстрого сна, а также данные электроокулографии плюс запись ЭЭГ, полученная от конкретной области, которые используются для разграничения бодрствования и первой стадии сна. Никакого прикладного программного обеспечения не использовалось, как и компьютера. Все показания записывались на бумагу аппаратом ЭЭГ и анализировались вручную доктором. Такой подход подразумевал колоссальную эрудированность врача. Наблюдениями приходилось делиться с медицинским сообществом, чтобы знания о методике определения сна можно было передать другим специалистам.
Следующий этап развития наступил в эру внедрения компьютерных технологий. Данные полисомнографии стали обрабатываться на компьютере. Что в свою очередь уменьшило долю бумажной работы, но врачу все еще по-прежнему приходилось просматривать запись сна пациента самостоятельно и выделять фазы сна. В этот период времени было специализированное ПО для аппаратов полисомнографии. Данные для анализа хранятся в универсальном медицинском формате European Data Format (EDF). EDF - это простой 16-ти битный формат, предназначенный для обмена и хранения многоканальных биологических и физических сигналов. Расширение формата EDF, названное EDF+, было разработано в 2002 году и во многом совместимо с EDF [7]. Процесс обмена информацией с медицинским сообществом существенно улучшился. Не нужно было хранить бумажные данные, снимать копии и т. д.
Лишь в 21 веке жизнь сомнологов существенно улучшилась. Теперь фазы сна определяются автоматически компьютером. Это смогло произойти благодаря накопленному опыту в области определения стадий сна и реализации новой компьютерной технологии — машинное обучений. Идея заключалась в том, чтобы передать опыт специалиста машине. Компьютер анализировал огромное количество уже проведенных записей, с пометками врача — на каком отрезке какая стадия находится. Этот процесс называется обучение компьютерной модели с учителем. Теперь врачу не было острой необходимости просматривать каждый временной отрезок записи сна пациента. Компьютер получал все данные
Международная научно-практическая конференция с датчиков телеметрии во время диагностики и сразу определял по показателям активности человека в какой стадии сна тот находится. В результате отчет врача расширился еще одним показателем.
В последние годы медицина меняет вектор производства приборов только для врачей и специалистов и становится более пациент-ориентированной. Это значит, что пациент сам следит за своим здоровьем и начинает лечение проактивно. Поэтому сегодня на рынке так много различных умных устройств, определяющий пульс, сон, уровень глюкозы в крови и т. д. Изначально такие приборы производились ИТ-компаниями, как дополнительная опция в новом гаджете. Однако теперь даже гиганты в области производства профессионального оборудования для анализа сна, например такие, как ResMed, стали выпускать портативные устройства для пациентов. Так прибор [8] вовсе бесконтактный, он анализирует звук, колебания воздуха рядом и передает все данные на телефон пользователя. Прибор представлен на рисунке 2.
Рис. 2. Прибор S+ компании ResMed
При разработке таких портативных гаджетов инженеры столкнулись с одной проблемой — отсутствие данных о движение глаз и сигнала ЭЭГ. Так как вряд ли человек не имеющей должной квалификация будет надевать на себя
Международная научно-практическая конференция электроды ЭЭГ. Благодаря этому появился целый ряд альтернативных методов по
определению фаз сна. Рассмотрим некоторые из них.
Метод регистрации фаз сна по сердечному ритму
Данный подход начал активно развиваться вместе с ростом персональных
гаджетов, таких, как смартфоны, фитнес-браслеты, умные часы и т.д. Оптический датчик, встроенный в браслет, измеряет пульс человека методом плетизмографии. Направляется луч света на покровы кожи и анализируется уровень поглощения света определяя частоту сердечного ритма. Акселерометр фиксирует движения человека. При изменении амплитуды определяется фаза сна, свойственная показателям пульса [9].
Определение фаз сна по звуковому сигналу
Аналогичным образом и работает метод определение фаз сна по звуковому
сигналу. Этот подход эволюционировал от фитнес-браслетов. Основным преимуществом было то, что не требовалось дополнительное устройство, как фитнес браслет или прочий трекер. Достаточно было установить приложение на телефон и, с помощью встроенного микрофона, отслеживать звуки во время сна. Конечно, здесь используется алгоритм машинного обучения, основанный на классификации звуков. В статье [10] основная идея заключается в том, что разработчики разделяют фазы пробуждения и сна по следующий критериям: для глубоко сна характерны звуки храпа, бормотания, покашливания и т.д., а для фаз близких к пробуждению как правило звуки движения тела, переворачивания. Их модель построена на методе классификации звуковых дорожек, сопоставляемых с результатами полисмонографии. Для подтверждения этой гипотезы была использована цепь Маркова [11].
Определение по частоте дыхания
Существует еще один вариант определения фаз сна - по частоте дыхания.
Предлагаемы к разработке метод относится к данной категории алгоритмов. Эта идея не нова, о чем говорят исследования Дугласа и Уайта [12], следовательно, и другие ученые наверняка пытались решить аналогичную задачу. Суть заключается в использование алгоритмов классификации машинного обучения и сопоставления паттернов дыхания конкретной фазе сна. Есть несколько рабочих
Международная научно-практическая конференция прототипов [13, 14]. Для снижения ошибочного определения авторами работы была предпринята успешная попытка добавить правила из теоретической части сомнологии.
Использование машинного обучения в медицине
Для точного обучения должен быть представлен обширный и
разнообразный набор данных. Это даст модели обучиться лучше и принять во внимания все аспекты и детали. Именно в сборе данных и заключается одна из сложных задач исследования. Сбор и обработка медицинских данных тщательно регулируется законом, поэтому необходимо найти обширную общедоступную выборку по анализу сна. В описанных выше альтернативных методах, большинство исследователей брали в расчет малочисленные выборки около 1520 человек. Для решения проблем прогнозирования это означает, что необходимо приложить значительные усилия, чтобы собрать как можно больше обучающих наборов, все из которых характеризуются одинаковым набором информационных функций. Если проанализировать количество обучающих данных, которые используются в соревнованиях по анализу изображений, которые могут включать более 100 000 изображений, можно заметить, что типичные наборы биомедицинских данных не достигают двух-трех порядков несмотря на то, что они представляют собой, вероятно, более сложную задачу обучения. Именно эта задача - собрать тысячи учебных примеров, характеризующихся богатым набором достаточно информативных признаков, что ограничивает вклад машинного обучения в сложные задачи классификации и прогнозирования в клинической медицине.
Еще одной проблемой является интерпретация данных, предоставляемая такими алгоритмами. По большей части для медиков работа машинного обучения представлена по принципу черного ящика. Врач загрузил данные на обработку, алгоритм выполнил работу по своим правилам, неизвестным специалисту, и предоставил некий результат. Естественно, такой подход ставит под сомнение каждый раз результаты медицинской диагностики. Этот процесс должен выглядеть прозрачнее для врача. Так в работе [15] предлагается
Международная научно-практическая конференция уменьшить неопределенность между работами алгоритмов и врачами путем обучения врачей основам таких алгоритмов, чтобы повысить уровень доверия к ним.
Но несмотря на эти недостатки машинное обучение постепенно внедряется в медицину. Потому что данный подход позволяет определять новые ключевые особенности и зависимости признаков заболевания и постановкой диагноза, постоянно переобучаясь на новых данных. Однако недоверия связано только с применением алгоритмов для новых гипотез. Если речь идет об автоматизации, то в большинстве случаев такие методы востребованы самим врачами. Так, например, полисомнография обрела алгоритмы автоматического распознавания фаз сна. Благодаря машинному обучению удалось освободить ресурсы врача и определять границы стадий более точно. Примером такой работы может быть модель DeepSleepNet (от англ. Сеть глубокого сна) [16].
Заключение
Принимая во внимание рассмотренные методы, можно заметить какова роль применения компьютерных технологий, и, в частности, машинного обучения в медицине. Развитие и внедрение информационных технологий положило целый виток развития в одной только сомнологии. Были придуманы и реализованы альтернативные, дополнительные методы по определению фаз сна у людей. Наличие нескольких методов, описанных в данной статье, тому подтверждение.
Огромное количество научных трудов говорит о том, что технические знания производятся не только через техническую деятельность и практику, но и в статьях, книгах, учебниках.
Исторический аспект показал, что программное обеспечение внедрялось по мере востребованности. В средние века был только визуальный осмотр и наблюдения за спящим, в то время как сегодня специализированные персональные приборы для отслеживания фаз сна.
Также были рассмотрены проблемы этики — интерпретации данных, получаемых для медицинских исследований с применением машинного
Международная научно-практическая конференция обучения. Несмотря на повсеместное использование компьютерных технологий, врачи с недоверием относятся к результатам анализов, полученных путем прогнозирования диагноза. Виной чему является неосведомленность об применяемых алгоритмах и боязнь утечки медицинских данных пациентов.
Библиографический ^исок:
1. Аристотель. О возникновении животных / Пер. В.В.Карпова. М.; Л., 1940. С.192.
2. Лысенко В.Г. Сон и сновидение как состояния сознания: Упанишады и Шанкара (http://kogni.ru/text/dream.pdf).
3. Kleitman, N. Basic rest-activity cycle. In M.A. // Carskadin (Ed.), Encyclopedia of sleep and dreaming. MacMillan, New York, 1993, pp. 65-66.
4. Memar P, Faradji F. A. Novel Multi-Class EEG-Based Sleep Stage Classification System. // IEEE Trans Neural Syst Rehabil Eng. 2018 Jan;26(1):84-95.
5. Aserinsky, E. and Kleitman, N. Regularly occurring periods of eye motility, and concomitant phenomena, during sleep // Science, 1953, Vol. 118, P. 273— 274.
6. Веб сайт Mayo Clinic. Раздел Polysomnography (sleep study) [Электронный ресурс] - Режим доступа: https://www.mayoclinic.org/tests-procedures/polysomnography/about/pac-20394877 (дата обращения 19.08.2020)
7. [Электронный ресурс] - European Data Format. Схема доступа: http://www.edfplus.info/ (дата обращения: 12.08.2020).
8. [Электронный ресурс] — ResMed. S+ device. Схема доступа: https://splus.resmed.com/ (дата обращения: 12.08.2020).
9. Radha, M., Fonseca, P., Moreau, A. et al. Sleep stage classification from heart-rate variability using long short-term memory neural networks. Sci Rep 9, 14149 (2019). https://doi.org/10.1038/s41598-019-49703-y
10. Dafna, Eliran et al. Sleep staging using nocturnal sound analysis. // Scientific reports Vol. 8,1 13474. 7 Sep. 2018, doi:10.1038/s41598-018-31748-0
Международная научно-практическая конференция
11. Rabiner, L.R., A tutorial on hidden Markov models and selected applications in speech recognition. // Proceedings of the IEEE, vol.77, no.2, pp.257286, Feb 1989
12. Douglas, N & White, D & Pickett, C & Weil, J & Zwillich, Cliff. (1982). Respiration during sleep in normal man. // Thorax. Vol. 37. 840-4. 10.1136/thx.37.11.840.
13. A. Tataraidze, L. Anishchenko, L. Korostovtseva, B. J. Kooij, M. Bochkarev and Y Sviryaev. Sleep stage classification based on respiratory signal, // 2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Milan, 2015, pp. 358-361, doi: 10.1109/EMBC.2015.7318373.
14. J. Yang, J. M. Keller, M. Popescu and M. Skubic, Sleep stage recognition using respiration signal. // 2016 38th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), Orlando, FL, 2016, pp. 28432846, doi: 10.1109/EMBC.2016.7591322.
15. Deo, Rahul C. Machine Learning in Medicine. // Circulation Vol. 132,20 (2015): 1920-30. doi:10.1161/CIRCULATI0NAHA.115.001593
16. Supratak, Akara & Dong, Hao & Wu, Chao & Guo, Yike. (2017). DeepSleepNet: a Model for Automatic Sleep Stage Scoring based on Raw SingleChannel EEG. // IEEE Transactions on Neural Systems and Rehabilitation Engineering. doi: 10.1109/TNSRE.2017.2721116.
