Příloha A - České vysoké učení technické v Praze

Transkript

ČESKÉ VYSOKÉ UČENÍ TECHNICKÉ V PRAZE
FAKULTA ELEKTROTECHNICKÁ
KATEDRA KYBERNETIKY
Diplomová práce
ANALÝZA BIPOLÁRNÍCH PACIENTŮ
Kateřina Sedláčková
Vedoucí diplomové práce: Ing. Daniel Novák, Ph.D.
PRAHA 2008
2
Prohlášení
Prohlašuji, že jsem svou diplomovou práci vypracovala samostatně a použila jsem pouze
podklady (literaturu, projekty, SW atd.) uvedené v přiloženém seznamu.
V Praze dne ……………………….
…………………………………….
Podpis
3
Poděkování
Ráda bych tímto poděkovala vedoucímu diplomové práce Ing. Danielu Novákovi, Ph.D. za
odborné vedení diplomové práce a za mnoho cenných rad a podnětných připomínek, kterými
přispěl ke vzniku této práce.
Na projektu analýzy bipolárních pacientů se významně podíleli i další dva kolegové, Radek
Jedlička a Jan Poupě, proto bych i jim ráda na tomto místě poděkovala za příjemnou a přínosnou spolupráci.
V Praze dne ……………………….
…………………………………….
Podpis
4
Abstrakt
Bipolární afektivní porucha je psychické onemocnění charakteristické střídáním depresivních
a manických episod. Zejména depresivní období může být pro pacienta nebezpečné, neboť je
prokázán zvýšený výskyt sebevražedných pokusů během tohoto období. Pokud by bylo možné tuto episodu, popřípadě i manickou fázi, predikovat, dalo by se předejít nejen sebevražedným pokusům, ale i nutnosti pacienta hospitalizovat. Za tímto účelem vznikl nápad snímat
pohybovou aktivitu vybraných pacientů diagnostikovaných pro bipolární poruchu pomocí
zápěstního aktigrafu. Doposud se této studie účastnilo sedm takových dobrovolníků, ale relevantní data máme zatím jen od tří. Výstupní aktigrafická data těchto pacientů analyzujeme a
to zejména se zaměřením na získání vhodných příznaků pro klasifikaci a následnou predikci.
Takovým příznakem je např. délka spánku, celková pohybová aktivita za sledované období,
počet segmentů bez pohybu, nebo také aproximativní entropie či Dentrended Fluctuation
Analysis. K těmto zjištěným příznakům je důležité získat od pacientů, nebo jejich ošetřujícího
lékaře, navíc ještě záznamy o výskytu deprese či mánie. Teprve na základě těchto informací
lze sestavit trénovací a testovací množinu pro klasifikaci. V tomto případě je jako klasifikační
metoda používán Dynamic Time Warping. Bohužel nemáme v tuto chvíli zatím žádné uspokojivé výsledky vedoucí ke kvalitní predikce relapsu bipolární poruchy.
Abstract
Bipolar affective disorder is one of the mental diseases, which is typical of changing depressive and manic episodes. Especially depressive period can be dangerous for a patient, because
in many studies have been documented that in this period patients suffer from increasing
count of suicide risk. If it is possible to predict depressive or manic period, it should be feasible to prevent parasuicide, but also necessity of patient admission to hospital. The methodology and analysis of recording the motion activity of bipolar patients is described in the thesis.
The activity is recorded using wrist actigraphs. Up to now seven volunteers have participated
in the study, but data from three patients only are relevant for the futher processing. Output
data from actigraph are analyzed, the set of features parameters are calculated for classification and resulting prediction of depressive or manic episodes. Those parameters are the length
of sleep, the total activity score, and number of phases without moving, or also Approximate
Entropy and Dentrended Fluctuation Analysis. Moreover undergoing depressive and manic
episodes obtainded from patients or their attending physician are taken onto account. Dynamic Time Warping is used as a relapse predictor. But since this moment we haven’t any
good predictions of relapse of bipolar disorder.
5
Obsah
Kapitola 1 Program ITAREPS.............................................................................................13
1.1 Program ITAREPS a pacienti s bipolární poruchou.....................................................14
1.1.1 Bipolární porucha ................................................................................................14
1.1.2 Účastníci programu pro prevenci příznaků bipolární poruchy...............................16
1.1.3 Úprava programu pro bipolární poruchu...............................................................17
1.1.4 Aktigrafie ............................................................................................................18
Kapitola 2 Detekce spánkových oblastí a extrakce příznaků ...............................................21
2.1 Metoda detekce spánkových oblastí ............................................................................21
2.1.1 Předzpracování ....................................................................................................22
2.1.2 Princip automatické detekce.................................................................................24
2.1.3 Manuální editace..................................................................................................26
2.2 Extrakce příznaků .......................................................................................................32
2.3 Aproximativní entropie...............................................................................................37
2.3.1 Výpočet ApEn .....................................................................................................38
2.3.2 Vlastnosti ApEn...................................................................................................38
2.4 Dentrended Fluctuation Analysis (DFA) .....................................................................39
Kapitola 3 Dynamic Time Warping .....................................................................................41
3.1 Klasický algoritmus DTW ..........................................................................................44
3.1.1 Optimalizace algoritmu DTW ..............................................................................46
Kapitola 4 Selekce příznaků a klasifikace ............................................................................48
4.1 Selekce příznaků.........................................................................................................48
4.2 Klasifikace .................................................................................................................54
4.2.1 Grafický výstup klasifikátoru DTW .....................................................................55
4.2.2 Automatická analýza............................................................................................57
Kapitola 5 Shrnutí ...............................................................................................................59
Přílohy .................................................................................................................................61
6
Seznam obrázků
Obr. 1 Schéma programu ITAREPS .....................................................................................14
Obr. 2 Časový průběh otázky č. 4 s vyznačenými událostmi, jako je deprese, zhoršení nálady,
prodloužení spánku a hospitalizace pro Pacienta č. 4 ............................................................18
Obr. 3 Naměřený vstupní aktigram (výsek) – Pacient č. 1, vzorkovací frekvence 2 minuty...19
Obr. 4 Naměřený vstupní aktigram (výsek) – Pacient č. 4, vzorkovací frekvence 30 vteřin...19
Obr. 5 Naměřený vstupní aktigram (výsek) – Pacient č. 6, vzorkovací frekvence 30 vteřin...20
Obr. 6 Předzpracovaný vstupní aktigram z obr. 3 (výsek) – Pacient č. 1 ...............................23
Obr. 9 Vykreslení nalezených spánkových oblastí do naměřeného vstupního aktigramu
s vyznačenou značkou půlnoci a datem (výsek) – Pacient č. 1, vzorkovací frekvence 2 minuty
.............................................................................................................................................25
s vyznačenou značkou půlnoci a datem (výsek) – Pacient č. 4, vzorkovací frekvence 30 vteřin
.............................................................................................................................................26
s vyznačenou značkou půlnoci a datem (výsek) – Pacient č. 6, vzorkovací frekvence 30 vteřin
.............................................................................................................................................26
Obr. 12 Vykreslení nalezených a manuálně dohledaných spánkových oblastí do naměřeného
vstupního aktigramu s vyznačenou značkou půlnoci a datem (výsek) – Pacient č. 6,
vzorkovací frekvence 30 vteřin.............................................................................................27
Obr. 13 Detail nepřesně detekovaného začátku spánkové oblasti ..........................................28
Obr. 14 Detail opravené polohy téhož začátku spánkové oblasti po manuální editaci............28
Obr. 15 Celkový přehled sledovaného období pro Pacienta č. 6............................................32
Obr. 16 Sinusový signál (ApEn) ...........................................................................................39
Obr. 17 Sinusový signál superponovaný bílým šumem (ApEn).............................................39
Obr. 18 Sinusový signál (DFA) ............................................................................................40
Obr. 19 Sinusový signál superponovaný bílým .....................................................................40
Obr. 20 Skrytý Markovský model pro tři stavy .....................................................................42
Obr. 21 Struktura rekurentní neuronové sítě .........................................................................42
Obr. 22 A) Dvě časové řady reprezentující pohyb ruky píšící perem. B) Uspořádání dvou
sekvencí pomocí DTW.........................................................................................................43
Obr. 23 Princip deformace časové dimenze ..........................................................................43
Obr. 24 Grafická reprezentace matice M s vyznačenou deformační cestou W........................45
Obr. 25 Sakoe-Chubův pás (vlevo), Itakurův rovnoběžník (vpravo)......................................46
Obr. 26 Princip lokální optimalizace DTW...........................................................................47
Obr. 27 Vykreslená kombinace příznaků: Časy usnutí (Sleep begin), Časy probuzení (Sleep
end)......................................................................................................................................49
Obr. 28 Vykreslená kombinace příznaků: Délka spánkové oblasti (Assumed sleep), Součet
vzorků bez pohybu (Number of minutes immobile), Suma doby spánku (Actual sleep time),
Počet minut s pohybem (Number of minutes moving) ..........................................................50
Obr. 29 Vykreslená kombinace příznaků: Počet segmentů klasifikovaných jako bdění
(Number of wake bouts), Počet segmentů klasifikovaných jako spánek (Number of sleep
bouts), Počet segmentů klasifikovaných jako klid (Number of immobile phases), Počet
7
segmentů klasifikovaných jako klid, které trvají 1 minutu a méně (Number of immobile
phases of 1 min) ...................................................................................................................50
Obr. 30 Vykreslená kombinace příznaků: Efektivita spánku (Sleep efficiency), Počet minut
bez pohybu (Number of minutes immobile)..........................................................................50
Obr. 31 Vykreslená kombinace příznaků: Součet aktivity v dané oblasti (Total activity score),
Průměrná aktivita v dané oblasti (Mean activity score), Průměrná aktivita na počet aktivních
vzorků (Mean score in active period)....................................................................................51
Obr. 32 Vykreslená kombinace příznaků: Poměr segmentů klasifikovaných jako klid, které
trvají 1 minutu (Immobility of 1 minute), Fragmentace spánku (Fragmentation index) .........51
Obr. 33 Vykreslená kombinace příznaků: DFA Fast pro oblasti klasifikované jako spánek,
DFA Slow pro oblasti klasifikované jako spánek..................................................................51
Obr. 34 Vykreslená kombinace příznaků: ApEn pro oblasti klasifikované jako spánek, ApEn
pro oblasti klasifikované jako bdění, ApEn pro celý den.......................................................52
Obr. 35 Vykreslená kombinace příznaků: Časy usnutí (Sleep begin), Časy probuzení (Sleep
end)......................................................................................................................................52
Obr. 36 Vykreslená kombinace příznaků: Efektivita spánku (Sleep efficiency), Počet minut
bez pohybu (Number of minutes immobile)..........................................................................53
Obr. 37 Vykreslená kombinace příznaků: DFA Fast pro oblasti klasifikované jako spánek,
DFA Slow pro oblasti klasifikované jako spánek..................................................................53
Obr. 38 Vykreslená kombinace příznaků: ApEn pro oblasti klasifikované jako spánek, ApEn
pro oblasti klasifikované jako bdění, ApEn pro celý den.......................................................53
Obr. 39 Použití EPOCH_LENGTH a PREDICTION_LENGTH při tvorbě matice Train......54
Obr. 40 Výsledná klasifikace pro „šablonu“ tvořenou v pořadí druhou depresí, proložení
polynomem devátého stupně ................................................................................................55
Obr. 41 Výsledná klasifikace pro „šablonu“ tvořenou aritmetickým součtem třetí a čtvrté
deprese, proložení polynomem šestého stupně......................................................................56
Obr. 42 Výsledná klasifikace pro „šablonu“ tvořenou aritmetickým součtem všech šesti
zaznamenaných depresí, proložení polynomem šestého stupně.............................................56
Obr. 43 Výsledná klasifikace pro „šablonu“ tvořenou v pořadí první depresí, proložení
polynomem čtvrtého stupně..................................................................................................57
Obr. 44 Výsledek automatické analýzy.................................................................................58
Obr. 45 Výsledek automatické analýzy – detail ....................................................................58
Obr. 46A Otázka 1 – Pacient č. 1.............................................................................................i
Obr. 49A Otázka 2 – Pacient č. 1............................................................................................ii
Obr. 53A Otázka 3 – Pacient č. 4...........................................................................................iii
Obr. 57A Otázka 5 – Pacient č. 1...........................................................................................iv
Obr. 61A Otázka 6 – Pacient č. 4............................................................................................v
8
Obr. 65A Otázka 7 – Pacient č. 6...........................................................................................vi
Obr. 69A Otázka 9 – Pacient č. 1..........................................................................................vii
Obr. 72A Otázka 10 – Pacient č. 1........................................................................................vii
Obr. 73A Otázka 10 – Pacient č. 4.......................................................................................viii
Obr. 77A Otázka 11 – Pacient č. 6.........................................................................................ix
Obr. 81A Otázka 13 – Pacient č. 1..........................................................................................x
Obr. 85A Otázka 14 – Pacient č. 4.........................................................................................xi
Obr. 87A Otázka 15 – Pacient č 1..........................................................................................xi
Obr. 89A Otázka 15 – Pacient č. 6........................................................................................xii
Obr. 93A Otázka 17 – Pacient č. 1.......................................................................................xiii
Obr. 97A Otázka 18 – Pacient č. 4.......................................................................................xiv
Obr. 98A Otázka 18 – Pacient č. 6.......................................................................................xiv
Obr. 99C GUI pro manuální editaci – výběr detekovaného záznamu ..................................xvii
Obr. 100C GUI pro manuální editaci – výběr manuální editace ..........................................xvii
Obr. 101C Zobrazený detekovaný aktigrafický záznam a prostředí umožňující jeho manuální
editaci ...............................................................................................................................xviii
Obr. 102D Celkový přehled sledovaného období pro Pacienta č. 1 .................................... xxvi
Obr. 103D Celkový přehled sledovaného období pro Pacienta č. 4 ..................................... xxx
Obr. 104E Vykreslení aktigramu pomocí programu Sleep Analysis – Pacient č. 1 .................xl
Obr. 105E Vykreslení aktigramu pomocí programu Sleep Analysis – Pacient č. 4 ...............xlv
Obr. 106E Vykreslení aktigramu pomocí programu Sleep Analysis – Pacient č. 6 ...................l
Obr. 107F Vykreslená kombinace příznaků: Délka spánkové oblasti (Assumed sleep), Součet
vzorků bez pohybu (Number of minutes immobile), Suma doby spánku (Actual sleep time) ..li
Obr. 108F Vykreslená kombinace příznaků: Průměrná délka segmentů klasifikovaných jako
bdění (Mean length of wake bouts), Průměrná délka segmentů klasifikovaných jako spánek
(Mean length of sleep bouts), Průměrná délka segmentů klasifikovaných jako klid (Mean
length of immobility)..............................................................................................................li
9
Obr. 109F Vykreslená kombinace příznaků: DFA Fast pro oblasti klasifikované jako bdění,
DFA Slow pro oblasti klasifikované jako bdění .....................................................................lii
Obr. 110F Vykreslená kombinace příznaků: DFA Fast pro celý den, DFA Slow pro celý denlii
Obr. 111F Vykreslená kombinace příznaků: Entropie pro oblasti klasifikované jako spánek,
Entropie pro oblasti klasifikované jako bdění, Entropie pro celý den .....................................lii
Obr. 112F Vykreslená kombinace příznaků: Časy usnutí (Sleep begin), Časy probuzení (Sleep
end)..................................................................................................................................... liii
vzorků bez pohybu (Number of minutes immobile), Suma doby spánku (Actual sleep time) liii
Počet minut s pohybem (Number of minutes moving) ......................................................... liii
Obr. 115F Vykreslená kombinace příznaků: Počet segmentů klasifikovaných jako bdění
phases of 1 min) ...................................................................................................................liv
Obr. 116F Vykreslená kombinace příznaků: Efektivita spánku (Sleep efficiency), Počet minut
bez pohybu (Number of minutes immobile)..........................................................................liv
Obr. 117F Vykreslená kombinace příznaků: Součet aktivity v dané oblasti (Total activity
score), Průměrná aktivita v dané oblasti (Mean activity score), Průměrná aktivita na počet
aktivních vzorků (Mean score in active period) ....................................................................liv
length of immobility).............................................................................................................lv
Obr. 119F Vykreslená kombinace příznaků: Poměr segmentů klasifikovaných jako klid, které
trvají 1 minutu (Immobility of 1 minute), Fragmentace spánku (Fragmentation index) ..........lv
vzorků bez pohybu (Number of minutes immobile), Suma doby spánku (Actual sleep time) .lv
Počet minut s pohybem (Number of minutes moving) ..........................................................lvi
Obr. 122F Vykreslená kombinace příznaků: Počet segmentů klasifikovaných jako bdění
phases of 1 min) ...................................................................................................................lvi
Obr. 123F Vykreslená kombinace příznaků: Součet aktivity v dané oblasti (Total activity
score), Průměrná aktivita v dané oblasti (Mean activity score), Průměrná aktivita na počet
aktivních vzorků (Mean score in active period) ....................................................................lvi
length of immobility)...........................................................................................................lvii
Obr. 125F Vykreslená kombinace příznaků: Poměr segmentů klasifikovaných jako klid, které
trvají 1 minutu (Immobility of 1 minute), Fragmentace spánku (Fragmentation index) ........lvii
Obr. 126F Vykreslená kombinace příznaků: DFA Fast pro oblasti klasifikované jako bdění,
DFA Slow pro oblasti klasifikované jako bdění ...................................................................lvii
10
Obr. 127F Vykreslená kombinace příznaků: DFA Fast pro celý den, DFA Slow pro celý den
...........................................................................................................................................lviii
Obr. 128F Vykreslená kombinace příznaků: Entropie pro oblasti klasifikované jako spánek,
Entropie pro oblasti klasifikované jako bdění, Entropie pro celý den ..................................lviii
11
Seznam tabulek
Tab. 1 Přehled pacientů účastnících se projektu pro prevenci BAP .......................................16
Tab. 2 Otázky subjektivního dotazníku.................................................................................17
Tab. 3 Přehled použitých filtrů pro předzpracování...............................................................23
Tab. 4 Přehled použitých oken pro detekci ...........................................................................25
Tab. 5 Vstupní parametry získané analýzou programu Cambridge Neurotechnology ............33
12
Kapitola 1
Program ITAREPS
Tým z Psychiatrického centra Praha ve spolupráci se společností Academia Medica Pragensis
s.r.o. a za podpory firmy Eli Lilly Česká republika vytvořil ve světě prozatím ojedinělý projekt s názvem ITAREPS (Information Technology Aided Relaps Prevention in Schizophrenia). Program je zaměřen na rychlé a cílené rozpoznání časných varovných příznaků relapsu1
psychotického onemocnění s využitím moderních komunikačních a informačních technologií.
Včasné odhalení varovných příznaků a následná cílená farmakologická intervence umožní
odvrátit hrozbu opětovného vzplanutí onemocnění.
Princip programu ITAREPS je jednoduchý. Každý týden ve stejný den vyplní pacient a
jeho rodinný příslušník desetibodový dotazník časných varovných příznaků. ITAREPS se
v tuto dobu účastníkům programu přihlásí na mobilní telefon v podobě SMS výzvy. Odpovědi
na jednotlivé otázky dotazníku mapují, zda se jednotlivé časné varovné příznaky od posledního vyplnění minulý týden buďto nově objevily, nebo zhoršily. Výsledkem je celkem deset
čísel, které v podobě SMS zprávy účastníci odešlou ze svých mobilních telefonů zpět ITAREPSu. Vyplnění a odeslání dotazníku vyžaduje přibližně pět minut.
Pokud se u pacienta objeví časné varovné příznaky, zašle o této události ITAREPS automaticky varovnou zprávu na e-mailovou adresu ošetřujícího ambulantního lékaře. Klíčovým
aspektem programu je včasná intervence. Podmínkou je tedy rychlé jednání po obdržení zprávy: telefonický kontakt s pacientem, posouzení situace a následně dočasné zvýšení medikace.
Ostatně nejvhodnější postup systém nabídne sám už v samém varovném e-mailu.
Lékař má po krátké registraci přístup i na svou individuální internetovou stránku umístěnou na adrese www.itareps.com. Na této doméně najde své zadané pacienty pod kódovými
čísly. Systém je tímto a dalšími způsoby na několika úrovních chráněn proti zneužití osobních
dat. V kterékoli chvíli má lékař možnost snadno zkontrolovat současný stav pacienta, což
ITAREPS umožňuje graficky i slovně. A tak je možné se přesně dozvědět, kdy se například
v posledním měsíci objevily u svěřeného nemocného problémy se spánkem, soustředěním či
prepsychotickými příznaky, a jak se obtíže dlouhodobě vyvíjejí [1].
1
Relaps – opětovné objevení se příznaků nemoci, která byla v klidovém období.
13
Obr. 1 Schéma programu ITAREPS
(Obrázek převzat z: ITAREPS: Technologie ve službách prevence relapsu psychózy [1].)
1.1 Program ITAREPS a pacienti s bipolární poruchou
Jak je vidět z plného názvu programu ITAREPS (Information Technology Aided Relaps Prevention in Schizophrenia) byl tento program primárně určený pro pacienty se schizofrenií.
Výsledky provedené studie ukázaly, že u pacientů zapojených do tohoto programu došlo
k výraznému poklesu počtu hospitalizací nebo dokonce k úplnému vymizení potřeby pacienta
hospitalizovat [2]. Včasné zvýšení medikace tedy dokázalo zamezit vzniku relapsu. Tento
nepopiratelný úspěch vedl k myšlence využít tohoto principu i u pacientů s bipolární poruchou.
1.1.1 Bipolární porucha
Bipolární porucha patří mezi těžká duševní onemocnění. U pacientů trpících touto nemocí
dochází k velkým, pro ně samé i jejich okolí někdy těžce zvladatelným, výkyvům nálady.
Periodicky se střídají období velké euforie doprovázené nadměrně dobrou náladou s obdobími
absolutní skepse a trudomyslnosti. Mezi tato duševně náročná období jsou vklíněna i období
normální nálady. Při bipolární poruše se objevují tři různé druhy epizod, které pojmenováváme podle typu a intenzity doprovázejících příznaků. Mluvíme pak o epizodách hypomanických, manických a depresivních. Pro pochopení této závažné nemoci je důležité vědět, co se
s nemocným během těchto epizod děje. Následující řádky by měly průběh jednotlivých epizod přiblížit [3].
Hypománie je charakteristická trvale nadnesenou náladou, nadměrnou energií a zvýšenou
aktivitou, subjektivním pocitem dobré pohody a dobré celkové kondice. Člověk v hypománii
bývá velmi hovorný, snadno navazuje kontakt s ostatními lidmi, je nenucený, komunikuje bez
14
zábran, hýří nápady. Zvýšení aktivity se projevuje často i v sexuální oblasti, nezřídka dochází
k lehkomyslnému navazování známostí a střídání partnerů (i u jedinců, kteří jsou obvykle
zdrženliví). Potřeba spánku je snížená, po pár hodinách se člověk cítí odpočinutý, čilý a další
setrvávání v posteli je pro něj marněním času. Začátek bývá obvykle náhlý. Tyto stavy jsou
většinou jedincem snášeny dobře a někteří dokonce v tomto stádiu přestanou navštěvovat lékaře a užívat léky.
Mánií rozumíme nepřiměřeně zvýšenou náladu provázenou nárůstem aktivity. Všechno se
stává nadmíru snadným, nic není neřešitelné, nápady se přímo řítí jeden za druhým. Okolí
obvykle nestačí myšlenky sledovat a často pro ně také nejeví pochopení. Ve snaze přesvědčit
ostatní o své pravdě se stává pacient stále naléhavějším, mluví překotně, někdy až nesrozumitelně. Zhoršená souvislost projevu je spojená též se sníženou schopností udržet pozornost, což
se navenek projeví zřetelnou roztržitostí. Se zvýšeným přísunem nápadů (kdy se před dokončením jedné úvahy již rodí další myšlenka) a s narůstajícím tempem a aktivitou přestává být
čas na "zdržování se" společenskými konvencemi, takový člověk se nechce nechat v projevu
přerušit a rychle roste jeho podrážděnost. Stačí mu drobný podnět, náznak nesouhlasu a může
se začít projevovat nepříjemně. Někdy dojde k nekontrolovatelnému vzrušení nebo až k zuřivosti a agresivitě. Jindy převažuje naopak žoviálnost, jedinec vypráví obhroublé vtipy, často
se sexuálním podtextem, používá vulgarismy ve společensky nevhodných situacích. Snížený
společenský odstup je podložen také vlastním nadměrným sebevědomím. Typické jsou velikášské myšlenky, zahrnující přehnané přesvědčení o vlastních schopnostech, znalostech, majetku a významu. Ztráta normálních sociálních zábran se projevuje rovněž nedbalým, nezodpovědným, nevhodným či riskantním chováním, které neodpovídá okolnostem ani charakteru
jedince. Své nápady neuváženě okamžitě realizuje, aniž by byl schopen reálně posoudit možné důsledky finanční, společenské či osobní. Velmi typickým příkladem je nadměrné utrácení.
K němu dochází buď při nákupech nepotřebných věcí, nebo v rámci "podnikání", kdy buď
pacient sám vymyslí "geniální obchod" nebo je náchylný uvěřit pro ostatní průhlednému podvodu. Skutečným právním problémem se pak stává uzavírání smluv, obvykle nevýhodných.
Velmi vážnou formu představuje mánie s tzv. psychotickými příznaky, kdy se kromě výše
uvedených příznaků typických pro mánii vyskytují navíc tzv. psychotické příznaky, zejména
bludy a halucinace. U mánie se nejčastěji vyskytují bludy velikášské, chorobné přesvědčení o
vlastní důležitosti, velikosti nebo dokonalosti (např. bludy o mesiášském poslání). Megalomanické neboli vyvýšené bludy se mohou týkat tělesné stránky, pacient si o sobě např. myslí,
že je největší silák, nikdy neonemocní, je nesmrtelný, nebo se vztahují k duševním schopnostem, např. uvádí, že vystudoval všechny vysoké školy, umí všechny řeči světa apod. Mezi
psychotické příznaky řadíme též tzv. paranoiditu. Pod tímto pojmem rozumíme buď ovládavé
chorobné myšlenky nebo nadměrnou vztahovačnost či podezíravost.
Deprese je protipólem mánie, stojí na druhém konci změn nálady. Projevuje se skleslou
náladou, snížením energie a aktivity. Zhoršuje se schopnost prožívat radost, zážitky se stávají
méně příjemnými, neutrálními nebo dokonce vedou k prožitkům negativním. Dochází k poklesu zájmů a klesá schopnost soustředění. Nemocného unaví i drobná práce či námaha. Dochází k poklesu sebevědomí a sebedůvěry, cokoli se nepodaří, přičítá pacient vlastní neschopnosti, selhání. Dostavují se pocity viny, bezcennosti nebo neodůvodněné výčitky svědomí.
Často se vyskytují myšlenky na sebepoškození až sebevraždu. Depresi doprovází též tzv. tělesné příznaky, mezi které počítáme poruchy spánku, sníženou chuť k jídlu, váhový úbytek,
ztrátu sexuálního prožívání. Okolí depresivního nemocného pozná podle smutného, unaveného a ztrápeného výrazu obličeje, chudé mimiky a gestikulace. Současně ve výrazu očí a v celém držení těla bývá patrná únava, skleslost, nejistota, ustrašenost nebo úzkostlivost. Depresivní jsou málomluvní, své myšlenky skrývají. Pocity nedostatečnosti vedou k vyhýbání se
lidem. Chybí aktivita, ztratila se iniciativa a přichází rezignace. Každé, byť i malé, rozhodnutí
15
je nemožné, dříve zvládané úkoly jsou nezdolatelné překážky. Velmi časté bývá odkládání
činnosti pod jakoukoliv záminkou následované sebevýčitkami.
Střídání nálady od normální po radostnou, či naopak po zcela skleslou mají za následek
charakteristické změny chemických procesů v mozku, které jsou ovlivněny zejména vyplavováním a distribucí dvou hormonů: noradrenalinu a serotoninu. 2
Přesná etiologie a patogeneze bipolární poruchy není dosud známa. Na jejím vzniku se
podílí vždy několik faktorů, které se začnou vzájemně ovlivňovat. Tyto vyvolávající faktory
můžeme rozdělit do dvou skupin, na faktory dědičné (genetické) a psychosociální. Ač toto
onemocnění patří do skupiny psychických poruch, které jsou vázány na genetickou výbavu
jedince, dědí se pouze vloha k tomuto onemocnění, ne nemoc samotná. Vyvolávající příčinou
vzniku bipolární poruchy je tedy kombinace tohoto zděděného (genetického) předpokladu a
faktorů prostředí, v kterém se daný jedinec nachází. Tato skutečnost byla ukázána na studii
jednovaječných dvojčat, která mají identickou genetickou výbavu, což je dáno tím, že se
oplodněné vajíčko rozdělí na dvě a v mateřské děloze se tak vyvíjejí dva stejní jedinci. Pro
účely studie byla vybrána dvojčata s genetickým předpokladem pro vznik bipolární poruchy.
Každé z nich bylo vždy umístěno ve zcela rozdílném prostředí. Bipolární poruchou onemocněli jen někteří jedinci. Kombinace dědičných vloh a faktorů vnějšího prostředí je tedy zjevná, ale v jaké míře jsou jednotlivé vlivy zastoupeny, se stále diskutuje [4].
1.1.2 Účastníci programu pro prevenci příznaků bipolární poruchy
Zapojení pacientů do programu pro prevenci relapsu bipolární poruchy je zcela dobrovolné.
Tito dobrovolníci se rekrutují z řad pacientů s bipolární poruchou, jejichž ošetřujícím lékařem
je MUDr. Filip Španiel, Ph.D. z Psychiatrického centra Praha v Bohnicích, více o tomto institutu na http://www.pcp.lf3.cuni.cz/pcpout/Default.htm. Stejně jako v případě projektu týkajícího se schizofrenních pacientů je i v tomto případě pan doktor nejen ošetřujícím lékařem ale
zároveň i koordinátorem celého projektu.
Na začátku projektu nebyla vytvořena jednotná skupina dobrovolníků, ale pacienti jsou do
tohoto projektu přibíráni postupně. Z tohoto důvodů je pro každého pacienta zcela identickým
údajem datum, kdy vstoupil do programu, a aktuální délka monitorování v rámci tohoto projektu. Do této doby se projektu účastnilo sedm pacientů, jak je vidět v následujícím přehledu
v Tab. 1, kde zkratka BAP znamená Bipolární afektivní porucha. Pro zachování utajení osobních údajů a lékařského tajemství jsou pacientům přidělována čísla, pod kterými v projektu
vystupují.
Tab. 1 Přehled pacientů účastnících se projektu pro prevenci BAP
číslo pacienta diagnóza věk pohlaví vzdělání doba účasti ve studii medikován/a
1
BAP 31
žena
SŠ
19. 10. 2006
ano
2
BAP 42
muž vyučený
25. 1. 2007
ne
3
BAP 32
žena
SŠ
23. 1. 2007
ano
4
BAP 34
muž
VŠ
24. 1. 2007
ano
5
BAP 36
muž vyučený
18. 1. 2007
ano
6
BAP 37
žena
SŠ
31. 5. 2007
ano
7
BAP 31
žena
VŠ
26. 11. 2007
ano
2
Noradrenalin je hormon tvořený dření nadledvin a patří mezi neurotransmitery, což jsou látky přenášející
vzruch v mozku a v sympatickém nervovém systému.
Serotonin je biologicky aktivní látka obsažená mimo jiné v centrálním nervovém systému, kde se účastní především procesů, které se podílejí na vzniku nálad. Jeho nedostatek způsobuje celkovou depresi, poruchy spánku,
podrážděnost až agresivitu.
16
V Tab. 1 jsou červeně označeni pacienti, s jejichž údaji a výsledky bude na následujících
stránkách této práce pracováno. Tito dobrovolníci byli pro tuto práci vybráni proto, že u nich
máme k dispozici nejdelší záznamy monitorování a nejvíce subjektivních informací. Co se
týče ostatních pacientů zapojených do projektu, tak pacient číslo 3 a 5 museli být ze studie
pro závažné zdravotní komplikace vyřazeni a u pacienta 2 a 7 máme příliš krátké záznamy o
průběhu monitorování a nedostatečné subjektivní informace.
1.1.3 Úprava programu pro bipolární poruchu
U pacientů s bipolární poruchou jde stejně jako u schizofrenních pacientů o prevenci. Tedy o
včasné zachycení symptomů upozorňujících na blížící se vznik depresivní nebo manické epizody. Pacienti odpovídají na osmnáct otázek (jak ukazuje Tab. 2). Podle svého momentálního
subjektivního pocitu na dané otázky odpovídají pomocí bodového ohodnocení, kde 0 znamená „zcela nesouhlasím“ a 9 znamená „naprosto souhlasím“. Toto bodové ohodnocení zasílají
svému lékaři také pomocí SMS zpráv. Lékař z těchto údajů sestavuje tzv. subjektivní dotazník, do kterého při každé pacientově návštěvě navíc zaznamenává dva parametry: HAMD
(Hamilton Depression Rating Scale) a YMRS (Young Mania Rating Scale). Dále jsou do tohoto dotazníku zaznamenávány propady do deprese (popřípadě mánie), hospitalizace a subjektivní pocit zhoršení nálady nebo změny kvality a délky spánku.
Tab. 2 Otázky subjektivního dotazníku
1.
2.
3.
4.
5.
6.
7.
8.
9.
Cítím se jako schopný člověk
Opravdu se vnitřně cítím skvěle
Připadá mi, že se mi nikdy nic nepovede
Cítím se depresivní
Cítím se plný energie
Cítím se vnitřně urychlený
Mé myšlenky rychle utíkají
Cítím se nadměrně aktivní
Cítím se neklidný
10.
11.
12.
13.
14.
15.
16.
17.
18.
Cítím se impulzivní
Má nálada je proměnlivá
Cítím jako by mě lidé chtěli dostat
Cítím jako by svět byl proti mně
Cítím se podrážděný
Cítím se hádavý
Snadno se stanu roztržitým
Nemohu se soustředit
Spím dobře
Pro ilustraci je na následujícím obrázku (Obr. 2) ukázán časový průběh otázky č. 4 (viz
Tab. 2) pro Pacienta č. 1, u kterého máme k dispozici nejdelší záznam o průběhu monitorování a nejpodrobnější údaje ze subjektivního dotazníku. Časovým průběhem rozumíme průběžný záznam bodového ohodnocení dané otázky v čase. Záznam je navíc doplněn údaji, jako je
výskyt deprese, zhoršení nálady, subjektivní prodloužení spánku nebo hospitalizace. Časové
průběhy ostatních otázek pro Pacienta č. 1 a úplný soubor časových průběhů všech otázek pro
Pacienta č. 4 a 6 je možno nalézt v příloze A. Pro Pacienta č. 4 nemáme bohužel k dispozici
žádné doplňující údaje, jen bodové ohodnocení otázek ze subjektivního dotazníku.
17
Obr. 2 Časový průběh otázky č. 4 s vyznačenými událostmi, jako je deprese, zhoršení nálady, prodloužení
spánku a hospitalizace pro Pacienta č. 4
Oproti pacientům se schizofrenií mají pacienti s bipolární poruchou zapojení do tohoto
programu navíc po dobu dvaceti čtyř hodin denně na ruce zařízení pro detekci pohybové aktivity, tzv. aktigraf. Jedná se o malé zařízení velikosti běžných náramkových hodinek, které se
stejně jako hodinky nosí na zápěstí. Ve většině případů se pro nošení aktigrafu upřednostňuje
nedominantní ruka. Hlavní součástí tohoto elektronického zařízení je piezoelektrický akcelerometr, který měří rozdíl mezi kinematickým a gravitačním zrychlením. Další důležitou součástí je paměť pro uchování naměřených hodnot a rozhraní umožňující aktigraf propojit
s počítačem pro přenos dat. Samotná metoda měření je založena na numerickém vyjádření
rozdílu zrychlení, které je vzorkováno několikrát za vteřinu a zaznamenáváno. Po zvoleném
časovém úseku jsou zaznamenané hodnoty zprůměrovány. Tyto průměrné hodnoty jsou pak
ukládány do paměti, z které jsou po připojení k počítači do tohoto počítače načteny [5].
V příloze B je uveden přehled aktigrafů firmy Cambridge Neurotechnology Ltd. použitých
v této studii.
Metoda využívající záznamy dat získaných pomocí aktigrafů se nazývá aktigrafie.
1.1.4 Aktigrafie
Obecně lze aktigrafii charakterizovat jako dlouhodobou metodu záznamu pohybové aktivity.
Jedná se o zcela neinvazivní a ekonomicky dostupnou metodu. Hlavním přínosem této metody je, že v záznamu pohybové aktivity je nepřímo uložena informace o době a délce spánku.
To je dáno tím, že se v průběhu dne mění četnost a velikost amplitudy pohybové aktivity
v závislosti na aktivitě sledovaného subjektu. Během období spánku je četnost i velikost aktivity výrazně nižší než v průběhu bdělého stavu, jak je vidět na naměřeném aktigramu viz Obr.
3, Obr. 4 a Obr. 5. Na těchto třech vstupních aktigrafických záznamech je také vidět, jak jsou
vstupní data pro každého pacienta jiná. Vstupní aktigrafické záznamy se liší i vzorkovací
frekvencí, která je uvedena u vykreslení každého naměřeného vstupního aktigramu.
18
Obr. 3 Naměřený vstupní aktigram (výsek) – Pacient č. 1, vzorkovací frekvence 2 minuty
Obr. 4 Naměřený vstupní aktigram (výsek) – Pacient č. 4, vzorkovací frekvence 30 vteřin
19
Obr. 5 Naměřený vstupní aktigram (výsek) – Pacient č. 6, vzorkovací frekvence 30 vteřin
Díky nepřímé informaci o spánku se aktigrafie nejčastěji používá jako doplňková nebo
přímá metoda v diagnostice poruch spánku a bdění. Dále je aktigrafie validní metodou pro
určování poruch cirkadiánní rytmicity (opakování jedenkrát za 24 hodin) a je to výhodné vyšetření při diferenciální diagnostice hypersomnií (nadměrná spavost) a insomnií (nespavost).
Aktigrafie je také užitečný nástroj k dlouhodobému sledování efektu terapie u poruch spánku
a u nemocných, u nichž je míra pohybové aktivity úměrná závažnosti onemocnění. V poslední
době se začíná tato metoda také uplatňovat v psychiatrii a neurologii. Abnormity spánku jsou
velice častým symptomem duševních onemocnění. Dlouhodobé aktigrafické studie umožňují
orientační posuzování spánkových poruch sdružených se základním onemocněním a ukazují
strukturu denních aktivit těchto nemocných. Motorické projevy patří do současných diagnostických kritérií afektivních poruch a mají prediktivní význam pro další vývoj choroby [6].
Abnormality spánku vyskytující se jako častý symptom duševního onemocnění a dále prediktivní význam motorických projevů u afektivních poruch byly důvodem pro zařazení aktigrafie
jako objektivní metody pro sledování doby a charakteru spánku u pacientů s bipolární poruchou zařazených do programu pro výzkum prevence tohoto onemocnění.
20
Kapitola 2
Detekce spánkových oblastí a extrakce
příznaků
Tato kapitola je věnována výhradně objektivní analýze, to znamená práci s aktigrafickými
záznamy a údaji z nich získanými. Jak bylo popsáno v minulé kapitole, naměřený aktigram,
coby záznam pohybové aktivity, poskytuje informace, z kterých lze vyčíst základní údaje o
délce a průběhu spánku či bdění. Pro účely programu pro prevenci relapsu bipolární poruchy
je důležitý zejména průběh spánku, který můžeme např. charakterizovat parametry jako je
počet probuzení, počet minut s pohybem, součet vzorků bez pohybu nebo součet pohybové
aktivity. K popisu průběhu spánku nám kromě těchto parametrických příznaků slouží i příznaky neparametrické, mezi které patří statistické parametry, jako je entropie či aproximativní
entropie.
Aby bylo možné vypočítat spánkovou analýzu tvořenou souborem výše zmíněných parametrických a neparametrických příznaků a dále s ní pracovat, je třeba nejprve v naměřeném aktigramu detekovat spánkové oblasti.
2.1 Metoda detekce spánkových oblastí
Zjednodušeně můžeme říct, že detekcí spánkové oblasti rozumíme nalezení jejích hranic.
Hranice mezi spánkem a bděním je charakterizována ostrým přechodem z oblasti nízké pohybové aktivity do oblasti vysoké pohybové aktivity. Tento přechod můžeme popsat i z hlediska
energetického jako přechod z energeticky nevýznamné oblasti do oblasti s velkou energií.
V ideálním případě by byl spánek reprezentován nulovou aktivitou (energií), tedy souvislou oblastí nul v celé délce svého trvání a naopak bdění by reprezentovala souvislá oblast nenulových hodnot. Ve skutečnosti tomu tak ale samozřejmě není. V průběhu spánku se objevují nenulové hodnoty a naopak v průběhu bdění můžeme nalézt dlouhé souvislé oblasti nul.
Mírná pohybová aktivita během spánku bývá způsobena otáčením či probouzením v průběhu
noci. Souvislá oblast nul během bdění může být způsobena jak delším odpočinkem během
dne a tak i krátkodobým výpadkem aktigrafu.
21
Pro rychlejší a přesnější detekci spánkových oblastí je výhodné se co nejvíce přiblížit ideálnímu případu. Proto je nutné nejprve získané aktigrafické záznamy předzpracovat.
2.1.1 Předzpracování
Jak bylo poznamenáno v minulé kapitole, tak se jednotlivé aktigrafické záznamy liší jednak
svou délkou a jednak vzorkovací frekvencí. Pro automatickou detekci spánkových oblastí (viz
následující podkapitola 2.1.2) je nejvýhodnější použití záznamů se vzorkovací frekvencí 2
minuty. Proto je třeba záznamy s jinou než touto frekvencí převzorkovat na frekvenci 2 minuty, čímž se zároveň docílí toho, že pro všechny zpracovávané záznamy můžeme použít stejný
algoritmus pro předzpracování i automatickou detekci. Po skončení detekce jsou nalezené
začátky a konce spánkových oblastí převzorkovány zpět tak, aby bylo možno nalezené oblasti
vykreslit do vstupního aktigramu.
V první řadě převzorkovaná data oprahujeme. Oprahováním rozumíme to, že všechny
hodnoty, které jsou menší než námi zvolený práh, vynulujeme. Tyto malé podprahové hodnoty působí v tomto případě jako šum. Jelikož je pro každý aktigrafický záznam typické jiné
rozpětí hodnot, není dobré hodnotu prahu volit jako fixní. Proto pro každý záznam počítáme
práh podle empiricky získaného vztahu (1), kde med znamená medián a X reprezentuje data
z aktigrafického záznamu:
prah =
med ( X )
1
∑ xi
n i =1:n
(1)
V dalším kroku oprahovaná data vyfiltrujeme mediánovým filtrem, který je vhodný pro
eliminaci náhlých velkých odchylek. V tomto případě za náhlou velkou odchylku bereme to,
pokud se ve skupině prvků s velkou amplitudou vyskytnou náhodně rozmístěné nulové nebo
velmi nízké hodnoty. A naopak pokud se ve skupině nulových prvků objeví náhodné prvky
nenulové. Mediánovou filtrací tedy docílíme toho, že vzroste počet nulových hodnot
v oblastech, které budou následně vyhodnoceny jako spánek, a zároveň se sníží počet nulových hodnot v oblastech, které budou následně vyhodnoceny jako bdění.
U mediánového filtru je důležitým parametrem jeho délka. Délka filtru určuje počet vzorků, z kterých se po jejich setřídění podle velikosti určí medián (jako prostřední hodnota). Pokud má filtr délku (2r + 1), pak je filtrace mediánovým filtrem dána vztahem (2), kde x je
vstupem a y výstupem filtru [7]:
y (k ) = med {x(k − r ),..., x(k − 1), x(k ), x(k + 1),..., x(k + r )}
(2)
Pro zvýšení efektu mediánové filtrace vypočítáme z vyfiltrovaných dat první derivaci. Dále derivovaná data umocníme na druhou a znovu použijeme mediánový filtr. Výpočet derivace a následné umocnění má za následek zvýraznění rozdílu mezi náhlými velkými odchylkami a ostatními daty. Pro první a druhou filtraci volíme rozdílnou délku mediánového filtru.
Pro filtraci derivovaných a umocněných dat používáme filtr s větší délkou než pro filtraci
oprahovaných dat (viz Tab. 3).
Výsledné předzpracování naměřených vstupních aktigramů je vidět na Obr. 6, Obr. 7 a
Obr. 8. Všechny předzpracované aktigramy mají shodnou vzorkovací frekvenci 2 minuty.
22
Tab. 3 Přehled použitých filtrů pro předzpracování
délka filtru pro první filtraci délka filtru pro druhou filtraci
Pacient č. 1
10
40
Pacient č. 4
25
40
Pacient č. 6
10
40
Obr. 6 Předzpracovaný vstupní aktigram z obr. 3 (výsek) – Pacient č. 1
23
2.1.2 Princip automatické detekce
Zejména při zpracování biologických signálů a signálů s proměnlivou velikostí energie se
velmi často používá metoda posuvného okna (nebo také „okénková metoda“). Princip této
metody spočívá v tom, že si zvolíme okno vhodné délky, které posouváme po signálu a tím
z něj vybíráme jen tu část, která odpovídá délce okna. Oknem posunujícím se po celé délce
signálu tedy vybíráme tu část dat, s kterou aktuálně pracujeme. Na rozdíl od proměnné velikosti prahu pro oprahování vstupního signálu volíme délku okna jako fixní hodnotu nezávislou na zpracovávaném záznamu. Obecně se délka okna volí podle charakteru signálu nebo
podle potřeb řešené úlohy. V tomto případě o délce okna rozhoduje charakter signálu a povaha oblastí, které hledáme.
Vlastní algoritmus pro detekci spánkových oblastí můžeme rozdělit na dvě části, z nichž
v první části detekujeme začátky spánkových oblastí a ve druhé části k těmto nalezeným začátkům hledáme konce.
První část algoritmu pro nalezení začátků spánkových oblastí pracuje tak, že procházíme
celý aktigrafický záznam a ve všech vzorcích (i + délka okna) se díváme na „okno-vlevo“
hodnot a „okno-vpravo“ hodnot od tohoto vzorku. Zkontrolujeme, kolik nenulových prvků se
nachází v „okně-vlevo“ i v „okně-vpravo“. Pokud nalezneme takový vzorek, že „okno-vlevo“
obsahuje (délka okna - 1) nenulových prvků (-1 vychází z heuristické znalosti algoritmu) a
„okno-vpravo“ obsahuje (délka okna) nulových prvků, pak si ho zapamatujeme a uložíme do
pomocné matice. Z takto uložených vzorků vybereme konečný počet správně umístěných
začátků. Vzorky z matice vybíráme opět pomocí okna. Tentokrát bereme čtyřnásobnou hodnotu okna použitého v první části a díváme se na následujících (čtyřikrát „okno-vpravo“)
hodnot. Pokud se mezi těmito hodnotami nachází méně jak jedna čtvrtina nenulových prvků,
pak vzorek, z kterého se díváme na těchto (čtyřikrát „okno-vpravo“) hodnot, zaznamenáme
jako začátek spánkové oblasti. Tímto způsobem projdeme celou pomocnou matici. Nastavení
délky okna je závislé na vstupním aktigramu.
Druhá část algoritmu, která slouží k nalezení konců spánkových oblastí, pracuje obdobným způsobem jako první část pro detekci začátků. Opět procházíme celý aktigrafický záznam a ve všech vzorcích (i) se díváme na „okno-vpravo“ hodnot od tohoto vzorku a kontrolujeme počet nenulových hodnot. Do pomocné matice tentokrát zapisujeme takové vzorky,
24
kdy „okno-vpravo“ obsahuje (délka okna) nenulových hodnot. Pomocí již nalezených začátků
vytvoříme se vzorky z pomocné matice intervaly, v kterých hledáme požadované konce spánkových oblastí jako první prvky těchto intervalů. Intervaly tvoříme tak, že vezmeme prvky
z pomocné matice takové, které jsou větší než začátek (i) a zároveň menší než začátek (i+1).
Poslední interval je omezený posledním nalezeným začátkem a poslední hodnotou v záznamu.
Nastavení délky okna je opět závislé na vstupním aktigramu.
Pokud během měření došlo k výpadku v aktigrafickém záznamu (např. vlivem hospitalizace pacienta v nemocnici nebo vlivem sundání aktigrafu z ruky), tak vznikla oblast, kterou
není možné detekovat. K datu takového dne, popřípadě dnů, tedy není přiřazena žádná hodnota začátku ani konce, ale hodnota NaN (Not-a-Number).
Nalezené začátky a konce jsou po zpětném převzorkování na frekvenci vstupního naměřeného aktigramu příslušného pacienta do tohoto aktigramu zakresleny, jak je vidět na Obr. 9,
Obr. 10 a Obr. 11. Vykreslení začátků a konců je navíc doplněno o zakreslení značky půlnoci,
ke které je pro lepší orientaci přiřazeno datum nadcházejícího dne. Následující tabulka
(Tab. 4) navíc ukazuje, jaké délky oken byly použity pro detekci jednotlivých pacientů.
Tab. 4 Přehled použitých oken pro detekci
OKNO_1 (začátky) OKNO_2 (začátky) OKNO_3 (konce)
Pacient č. 1
30
120
30
Pacient č. 4
30
100
30
Pacient č. 6
30
120
30
Obr. 9 Vykreslení nalezených spánkových oblastí do naměřeného vstupního aktigramu s vyznačenou
značkou půlnoci a datem (výsek) – Pacient č. 1, vzorkovací frekvence 2 minuty
25
značkou půlnoci a datem (výsek) – Pacient č. 4, vzorkovací frekvence 30 vteřin
značkou půlnoci a datem (výsek) – Pacient č. 6, vzorkovací frekvence 30 vteřin
Na Obr. 10 není v okolí první vyznačené půlnoci detekována žádná spánková oblast, protože
Pacient č. 4 během této noci vůbec nespal. Vypadá to na nepotvrzený výskyt manické episody. Na Obr. 11 je vidět, že nebyla detekována třetí a čtvrtá spánková oblast. Takto detekovaný
aktigrafický záznam je třeba opravit pomocí manuální editace.
2.1.3 Manuální editace
V předcházející podkapitole byla popsána metoda automatické detekce spánkových oblastí.
Pokud by záznamy od všech sledovaných pacientů byly stejné a lišily by se jen svou délkou a
maximy v oblastech velké pohybové aktivity, pak by algoritmus automatické detekce dával
26
pro všechny detekované záznamy stejné výsledky. V praxi se ale ukázalo, že záznam každého
pacienta má svůj specifický charakter. Tyto drobné odlišnosti mají za následek, že v jednom
záznamu je nalezeno sto procent začátků a konců spánkových oblastí (detekce Pacienta č. 1),
zatímco v jiném je nalezeno sotva šedesát procent (detekce Pacienta č. 6). Jednou z metod, jak
zvýšit úspěšnost automatické detekce je individuální nastavování používaných konstant podle
charakteru detekovaného záznamu. Tento přístup je účinný, ale není příliš praktický. Při každé změně konstanty je totiž nutné nechat znovu proběhnout celou detekci a navíc je třeba si
nastavené konstanty pamatovat pro každý záznam. Lepší, rychlejší a mnohem uživatelsky
příznivější je použití manuální editace pomocí GUI. V příloze C je ukázka vstupního menu
GUI i prostředí pro manuální editaci.
Prioritně tedy manuální editace slouží k tomu, aby bylo možné ručně dohledat ty spánkové oblasti, které nebyly automatickou detekcí nalezeny, jak je vidět na již uvedeném Obr. 11.
Na následujícím Obr. 12 je pak vidět výsledek manuální editace po dohledání nedetekovaných spánkových oblastí, přesněji řečeno třetí a čtvrté oblasti z Obr. 11.
Obr. 12 Vykreslení nalezených a manuálně dohledaných spánkových oblastí do naměřeného vstupního
aktigramu s vyznačenou značkou půlnoci a datem (výsek) – Pacient č. 6, vzorkovací frekvence 30 vteřin
Jelikož je pro následnou extrakci parametrických i neparametrických příznaků nezbytné,
aby byly spánkové oblasti detekovány s maximální možnou přesností, je v některých případech nutné využít další možnost manuální editace a polohu již detekovaných začátků a konců
ručně opravit. Sekundárně tedy manuální detekce slouží ke korekci polohy již nalezených
oblastí. Tento případ je ilustrován na Obr. 13 a Obr. 14. Tam, kde došlo k výpadku
v aktigrafickém záznamu, zůstávají i po manuální detekci NaN hodnoty.
27
Obr. 13 Detail nepřesně detekovaného začátku spánkové oblasti
Obr. 14 Detail opravené polohy téhož začátku spánkové oblasti po manuální editaci
Předzpracovaný aktigrafický záznam tedy projde automatickou detekcí spánkových oblastí, dále, pokud je to třeba, jsou pomocí manuální editace dohledány nenalezené spánkové oblasti, popřípadě ještě opraveny polohy již nalezených začátků a konců spánkových oblastí.
Takto kompletně zpracovaný aktigrafický záznam pro Pacienta č. 6 je ukázán na následujícím
Obr. 15 (tento záznam byl vybrán jako ukázkový vzhledm ke své délce a znalosti doplňujících
informací ze subjektivního dotazníku). Stejným způsobem zpracovaný záznam pro Pacienta
č. 1 je uveden v příloze D. V této příloze je také uveden záznam Pacienta č. 4, ale nejsou u
něj doplněny popisy jednotlivých týdnů, protože u tohoto pacienta neznáme doplňující údaje
ze subjektivního dotazníku (deprese, hospitalizace atd.). Z takto připravených dat je již možné
extrahovat příznaky.
Pro ilustraci je navíc v příloze E ukázán vstupní aktigrafický záznam všech zpracovávaných pacientů vykreslený pomocí programu Sleep Analysis od firmy Cambridge Neurotechnology. Tento program je dodáván společně s používanými aktigrafy.
28
Celkový přehled sledovaného období pro Pacienta č. 6
1. týden: 31. 5. 2007 – 6. 6. 2007
detekováno sedm nocí, období bez výpadku
2. týden: 7. 6. 2007 – 13. 6. 2007
3. týden: 14. 6. 2007 – 20. 6. 2007
4. týden: 21. 6. 2007 – 27. 6. 2007
5. týden: 28. 6. 2007 – 4. 7. 2007
6. týden: 5. 7. 2007 – 11. 7. 2007
jednodenní výpadek, patrně opomenutí ze strany pacientky vzít si aktigraf
29
7. týden: 12. 7. 2007 – 18. 7. 2007
8. týden: 19. 7. 2007 – 25. 7. 2007
první výpadek vznikl patrně opět opomenutím, dlouhodobý výpadek způsoben výskytem deprese a následnou
hospitalizací
9. týden: 26. 7. 2007 – 1. 8. 2007
pokračující výpadek vlivem hospitalizace, v průběhu šestého dne nelze detekovat spánek + krátkodobý výpadek
aktigrafu
10. týden: 2. 8. 2007 – 8. 8. 2007
11. týden: 9. 8. 2007 – 15. 8. 2007
dlouhodobý výpadek aktigrafu z nezjištěných důvodů
12. týden: 16. 8. 2007 – 22. 8. 2007
30
13. týden: 23. 8. 2007 – 29. 8. 2007
14. týden: 30. 8. 2007 – 5. 9. 2007
15. týden: 6. 9. 2007 – 12. 9. 2007
16. týden: 13. 9. 2007 – 19. 9. 2007
17. týden: 20. 9. 2007 – 26. 9. 2007
18. týden: 27. 9. 2007 – 3. 10. 2007
19. týden: 4. 10. 2007 – 10. 10. 2007
31
20. týden: 11. 10. 2007 – 17. 10. 2007
21. týden: 18. 10. 2007 – 24. 10. 2007
22. týden: 25. 10. 2007 – 31. 10. 2007
23. týden: 1. 11. 2007 – 7. 11. 2007
v průběhu třetího dne nelze detekovat spánek, pacientka patrně vůbec nespala
24. týden: 8. 11. 2007 – 14. 11. 2007
v průběhu pátého a sedmého dne nelze detekovat spánek, pacientka patrně vůbec nespala
Obr. 15 Celkový přehled sledovaného období pro Pacienta č. 6
2.2 Extrakce příznaků
Algoritmus pro extrakci příznaků byl napsán na základě analýzy programu firmy Cambridge
Neurotechnology dodávaného ke výše zmíněným aktigrafům, a to zejména se zaměřením na
parametry, které je možno z aktigrafického záznamu extrahovat. Tento algoritmus pro extrakci příznaků pracuje s kompletně detekovaným vstupním aktigrafickým záznamem. Podstatou
algoritmu je to, že ve vybrané části detekovaného záznamu prochází tento záznam vzorek po
vzorku a pro každý takto prošlý vzorek určí jeho klasifikaci. Klasifikací vzorku rozumíme
jeho zařazení do jedné z následujících tříd:
32
•
•
•
•
třída 1 – pacient byl v klidu
třída 2 – pacient se pohyboval
třída 3 – pacient spal
třída 4 – pacient byl v bdělém stavu
Pro klasifikaci vzorků používáme metodu prahování, tzn., že jako pohyb je klasifikován
každý takový vzorek vstupního aktigrafického záznamu, jehož hodnota je větší než práh lM.
Jestliže je součet vzorků před a za klasifikovaným vzorkem větší než práh lA, je vzorek označen jako stav bdění. Před sečtením jsou vzorky násobeny váhovací funkcí wA. V praxi se berou vzorky v oblasti do dvou minut od klasifikovaného vzorku. Oba zmíněné prahy i váhovací
funkce jsou uvedeny v následující Tab. 5.
Tab. 5 Vstupní parametry získané analýzou programu Cambridge Neurotechnology
anglické označení
actigraphy data
sampling
bed time
get up time
sleep start
sleep end
move limit
awake limit
awake distribution
český význam
data aktigrafického záznamu
vzorkování aktigrafického záznamu
čas, kdy pacient ulehl ke spánku
čas, kdy pacient vstal
čas, kdy pacient usnul
čas, kdy se pacient probudil
práh pro pohyb
práh pro bdění
váha
proměnná
data
TSAMPLE
tB
tG
tS1
tS2
lM
lA
wA
Oproti programu firmy Cambridge Neurotechnology nemáme v této studii k dispozici čas
tB a tG, proto parametry pracující s těmito časy nepočítáme. Čas tS1 udává jednak čas usnutí
pacienta a jednak čas, v kterém je zahájena analýza spánku. Pro čas tS2 platí totéž, udává dobu
probuzení pacienta a zároveň čas, v kterém analýza spánku končí. Parametr wA označený jako
váha, můžeme také chápat jako rozdělení, s kterým se sčítají hodnoty aktigrafického záznamu
při klasifikaci bdění.
V následujícím přehledu jsou uvedeny všechny extrahované parametry. U každého je uveden
jeho anglický název, pod kterým je s ním pracováno, dále vysvětlení tohoto parametru
v češtině a vztah, podle kterého byl vypočítán.
Výstupní extrahované parametry:
Assumed sleep TB : Čas mezi prvním usnutím a probuzením.
TB = t S 2 − t S1
(3)
Actual awake time TA : Součet vzorků, u kterých byla zaznamenána pohybová aktivita. Jinými slovy proměnná TA udává celkový čas probuzení. Proměnná Ts udává celkovou délku
spánku a parametrem pA rozumíme poměr celkové doby probuzení ku celkové délce spánku v
procentech. Funkce fA klasifikuje vstupní data. Nula klasifikuje data jako spánek, jednička
klasifikuje data jako bdění. Pro klasifikaci bereme součet aktuálního vzorku (x) a procentuální
části okolních vzorků (y), wA jsou váhy.
33
0 : ∑ ym data( x + y ) ∗ w A y ≤ w A

y − ym
f A ( x )
ym
1 : ∑ y − ym data ( x + y ) ∗ w A y > w A
TA =
tS 2
∑ f (data(t ))
t =t S 1
pA =
(4)
A
TA
⋅ 100
TS
Actual sleep time TAS : Doba spánku bez pohybové aktivity. Parametr pAS udává poměr doby bez pohybové aktivity ku celkové době spánku v procentech.
T AS = TS − T A
T
p AS = AS ⋅ 100
TS
(5)
Number of sleep bouts nS : Počet segmentů klasifikovaných jako spánek. Segmentem rozumíme souvislou řadu vzorků. Funkce fnS klasifikuje vstupní data (0 – spánek, 1 – bdění),
pro klasifikaci bereme aktuální vzorek (x) a předcházející vzorek (x-1), wS jsou váhy.
0 : wS (data ( x − 1)) = 0 ∨ wS (data ( x)) = 1
f nS ( x )
1 : wS (data ( x − 1)) = 0 ∧ wS (data( x )) = 0
nS =
tS 2
∑f
t =tS 1
nS
(6)
(data(t ))
Mean length of sleep bouts TM AS : Průměrná délka segmentů klasifikovaných jako spánek.
TM AS =
TAS
nS
(7)
Number of wake bouts n A : Počet segmentů klasifikovaných jako bdění. Funkce fnA klasifikuje vstupní data (0 – spánek, 1 – bdění), pro klasifikaci bereme aktuální vzorek (x) a předcházející vzorek (x-1), wA jsou váhy.
0 : w A (data ( x − 1)) = 1 ∨ w A (data ( x)) = 0
f nA (x )
1 : w A (data ( x − 1)) = 0 ∧ w A (data ( x )) = 1
nA =
tS 2
∑f
t =t S 1
nA
(8)
(data (t ))
Mean length of wake bouts TM A : Průměrná délka segmentů klasifikovaných jako bdění.
TM A =
TA
nA
34
(9)
Sleep efficiency pef : Efektivita spánku.
p ef =
TS − T A
TB
(10)
Number of minutes immobile TI : Počet minut bez pohybu. Funkce fI klasifikuje vstupní
vzorek (x), (0 – pohyb, 1 – klid), wI jsou váhy. Parametr pI udává poměr počet minut bez pohybu ku celkové délce spánku v procentech.
0 : x ≤ wI
f I ( x )
1 : x > wI
TI =
tS 2
∑f
t =tS 1
pI =
I
(data (t ))
(11)
TI
⋅100
TS
Number of immobile phases nI : Počet segmentů označených jako klid. Funkce fnI klasifikuje vstupní data (0 – pohyb, 1 – klid), pro klasifikaci bereme aktuální vzorek (x) a předcházející vzorek (x-1), wI jsou váhy.
0 : wI (data ( x − 1)) = 1 ∨ wI (data ( x )) = 0
f nI ( x )
1 : wI (data ( x − 1)) = 0 ∧ wI (data ( x )) = 1
nI =
tS 2
∑f
t =t S 1
nI
(12)
(data (t ))
Mean length of immobility TI : Průměrná délka segmentů označených jako klid.
TI =
TI
nI
(13)
Number of immobile phases of 1 minute n I 1 : Počet segmentů označených jako klid, které
trvají jednu minutu nebo méně. Funkce fnI1 klasifikuje v tomto případě vstupní data do tří
stavů, tedy nula znamená pohyb, jednička klid a mínus jednička znamená klid trvající jednu minutu a méně.
35
1
 1
:
<1
T
 SAMPLE TSAMPLE
N =
1

1:
≥1

TSAMPLE

N
 − 1 : f nI = 0 ∧ ∑n=1 f i (data ( x − n )) = N

N
f nI1 ( x ) 1 : f nI = 0 ∧ ∑n =1 f i (data ( x − n )) ≠ N


 0 : f nI = 1
nI1 =
(14)
tS 2
∑ f (data(t ))
nI 1
t =t S 1
Immobility phases of 1 minute pI 1 : Poměr segmentů označených jako klid trvajících jednu minutu.
pI1 =
nI1
⋅ 100
n1
(15)
Number of minutes noviny TM : Počet minut klasifikovaných jako pohyb.
TM = TS − TI
(16)
Total activity score S A : Součet celkové aktivity v dané oblasti.
SA =
t2
∑ data(t )
(17)
t =tS 1
Mean activity score S A : Průměrná aktivita v dané oblasti.
SA =
SA
TS
(18)
Mean score in active period S AP : Průměrná aktivita na počet aktivních vzorků. Proměnná
TM udává počet minut s pohybem.
S AP =
SA
TM
(19)
Fragmentation index I f : Fragmentace spánku.
If =
TM
+ pI1
TS
36
(20)
Kromě těchto vypočtených příznaků, používáme ještě dva příznaky získané přímo z detekce
aktigrafického záznamu, respektive ze znalosti doby začátku a konce všech detekovaných
oblastí:
Sleep begin: Časy usnutí.
Sleep end: Časy probuzení.
Samostatnou skupinu příznaků pak tvoří statistické parametry viz následující podkapitola 2.3
a podkapitola 2.4. K těmto příznakům navíc řadíme i entropii.
2.3 Aproximativní entropie
Bylo uveřejněno několik studií, které potvrdily výskyt chaotických procesů u některých psychických onemocnění, jako je bipolární porucha, schizofrenie nebo deprese [8], [9]. Toto zjištění naznačuje, že nelineární přístupy k analýze dlouhodobých dat bipolárních pacientů můžou poskytnout informace, které jsou tradičními statistikami nezjistitelné. Problém je ale
v tom, že pro biologické časové řady je charakteristický vysoký stupeň šumu, který omezuje
množství použitelných dat. Dalším problémem biologických dat je jejich nestacionarita.
Z těchto důvodů není možné tato data analyzovat pomocí dříve používaných matematických
postupů založených na analýze dlouhodobých časových řad s konzistentními daty. Mnohem
lepších výsledků lze dosáhnout pomocí metod, které byly zdokonaleny teprve před několika
lety. Mezi tyto soudobé nelineární metody patří i aproximativní entropie.
Aproximativní entropii (dále jen ApEn) zavedl v roce 1991 Steven Pincus [8], [9] jako
modelově nezávislou statistiku vhodnou pro kvantifikaci zákonitostí v časových řadách, a to
zejména v krátkých časových řadách se zašuměnými daty. Modelově nezávislá statistika
znamená, že ApEn může potenciálně charakterizovat velkou škálu systémů, a to včetně nízkodimenzionálních deterministických systémů, periodických a multiperiodických systémů,
vysokodimenzionálních chaotických systémů nebo stochastických systémů s dobrou opakovatelností.
ApEn měří zákonitost nebo lépe predikovatelnost toho, že vzorek časové řady zůstane nezměněný i v následujících přirovnáních, tzn., že jeden a ten samý prvek bude mít stejnou reprezentaci bez ohledu na polohu v časové řadě. (Jen pro srovnání, standardní směrodatná odchylka měří rozptyl vzorku v okolí průměrné hodnoty, aniž by byl brán zřetel na pořadí tohoto
vzorku v časové řadě.) Z matematického pohledu je ApEn součástí obecného vývoje aproximativních Markovských řetězců.
Výsledná hodnota ApEn je jedno nezáporné číslo. Pokud je toto číslo rovno nule, pak indikuje opakující se sekvenci, tedy označuje ten případ, kdy dochází k pravidelné detekci hledaného vzorku. Pokud má číslo rostoucí kladnou hodnotu, odpovídá pak rostoucímu stupni
nepravidelnosti (náhodnosti) výskytu tohoto vzorku.
ApEn je charakterizována třemi vstupními parametry:
ApEn(m, r , N ) ,
(21)
kde m udává délku vzorku pro predikci, r udává kritérium podobnosti (vzdálenost) a N udává
počet prvků datové řady (sekvence).
37
2.3.1 Výpočet ApEn
Nechť je dána časová řada x(n), kde n=1,2,3,…, N. Jako první ze vzorků této časové řady
x(n)=[x(1),x(2),…,x(N)] odvodíme sled vektorů začínající vzorkem i délky m, kde m je celé
kladné číslo:
v(i ) = [x(i ), x(i + 1),..., x(i + m + 1)] .
T
(22)
Pro sled vektorů pak dostaneme množinu:
Vm = [v (1), v(2),..., v( N − m + 1)] .
(23)
Pak vypočítáme Nm,r(i), tj. počet vektorů j (kde j ≤ N-m+1) takových, že vzdálenost mezi
vektory v(j) a v(i) (kde j ≤ N-m+1) je menší než r, D(i,j) ≤ r. Vzdálenost D(i,j) mezi dvěma
vektory v(i) a v(j) je definována jako maximální skalární rozdíl vektorů v(i) a v(j).
Dále definujeme Cm,r(i), coby pravděpodobnost nalezení vektoru z množiny Vm, který se
liší od v(i) o méně než r, tedy opět musí platit, že vzdálenost D ≤ r:
C m , r (i ) =
N m ,r (i )
.
N − m +1
(24)
Pro všechna i vypočítáme pravděpodobnost Cm,r(i). Z těchto pravděpodobností dále určíme průměrnou pravděpodobnost Cm,r:
N − m +1
C m ,r =
∑ C (i )
m ,r
i =1
N − m +1
.
(25)
Výsledný vztah pro ApEn je pak dán vztahem:
 C m,r 
ApEn(m, r , N ) = ln  m +1, r  .
C

(26)
Postup a odvození výpočtu ApEn převzato z článků [10], [11] a [12].
2.3.2 Vlastnosti ApEn
Mezi základní vlastnosti ApEn patří [8], [9]:
• ApEn je modelově nezávislá
• ApEn je téměř neovlivněna šumem, jehož zesílení je nižší než specifický stupeň filtru
• ApEn je necitlivá na náhodné artefakty
• ApEn má dobrou opakovatelnost pro časové řady o šedesáti a více prvcích
• ApEn je konečná pro stochastické, zašuměné deterministické a kombinované procesy
• Rostoucí tendence ApEn odpovídá rostoucí složitosti procesů z minulého bodu
• ApEn je vhodná pro náladové studie s velmi malou vzorkovací frekvencí (i hodina)
38
Nejdůležitější vlastnost ApEn vychází přímo z její definice. Jinými slovy, než jsou použita
v podkapitole 2.3, tedy můžeme říct, že malá hodnota ApEn znamená větší věrohodnost (likelihood), že podobné vzory v uvažované časové řadě budou dále následovány dalšími podobnými vzory. Pokud je časová řada hodně iregulární, pak výskyt opakujících se vzorů nebude
pro další měření predikovatelný a ApEn bude nabývat větších hodnot. Tato vlastnost ApEn je
ilustrována na následujících dvou signálech. Na Obr. 16 je sinusový periodický signál s malou
entropíí a dobrou predikovatelností a na Obr. 17 je ten samý sinusový signál ale superponovaný bílým šumem. Tento signál má velkou entropii a je téměř nepredikovatelný. Pod každým obrázkem je uvedena vypočítaná hodnota ApEn.
Obr. 16 Sinusový signál (ApEn)
Obr. 17 Sinusový signál superponovaný bílým
šumem (ApEn)
ApEn = 0
ApEn = 0,4912
Korelace mezi ApEn a psychologickými procesy, jejichž data jsou pomocí ApEn analyzována, je závislá na výběru parametrů m a r.
2.4 Dentrended Fluctuation Analysis (DFA)
Metoda DFA se používá zejména pro kvantifikaci korelace v nestacionárních časových řadách, je odolná proti náhlým datovým výkyvům a umožňuje detekci mnoharozměrových korelací, které jsou součástí zdánlivě proměnlivých časových posloupností. Tato metoda je založena na výpočtu časově závislé fluktuační funkce F(n), jejíž korelační schopnost je vyjádřena
škálovacím (scaling) exponentem α. Jinými slovy je škálovací exponent α důležitý proto, že
nám umožňuje nalézt korelační vlastnosti časových řad. Jestliže jsou statistické vlastnosti
časové řady při přeškálování v odvozené posloupnosti neměnné, mluvíme o ní jako o soběpodobné a pro fluktuační funkci F(n) platí [24], [26]:
F (n ) ∝ n α
(27)
Matematicky se škálovací exponent α vypočte jako [26]:
α=
ln M y
ln M x
=
ln s 2 − ln s 1
,
ln n 2 − ln n1
(28)
kde My je koeficient zvětšení na ose y, Mx je koeficient zvětšení na ose x, n je velikost výřezu
(okna) analyzované časové řady a s je standardní odchylka příslušného signálu.
39
Z pohledu grafické reprezentace udává škálovací exponent α strmost křivky, která spojuje
dva body o souřadnicích [n1, s1] a [n2, s2] v grafu s logaritmickým měřítkem na obou osách
[26].
Při zpracování nestacionárního signálu může dojít ke zvýšení proměnlivosti časové řady
reprezentující průběh tohoto signálu. Abychom tomuto zvýšení nestacionaroty zamezili, používáme právě metodu DFA. Princip této metody je následující.
Nejprve je každá časová řada x(i), kde i=1,…, N, integrována jako [24], [26]:
k
y (k ) = ∑ [x(i ) − M ],
(29)
i =1
kde M je průměrná hodnota časové řady x(i) a k je z intervalu <1,N>.
Takto integrovaná časová řada je dále rozdělena na úseky délky n. Pro každý takový úsek
je vypočítán lokální trend yn(k) jako nejlepší lokální linearizace. Nakonec je vypočtena fluktuační funkce F(n) [24]:
F (n ) =
1
N
N
∑ [y(k ) − y (k )]
2
n
k =1
.
(30)
Výše zmíněný škálovací exponent α udává stupeň korelace daného signálu [25]:
• α = 0,5 – signál je nekorelovaný (bílý šum)
• α < 0,5 – negativní korelace
• α > 0,5 – pozitivní korelace
Ve skutečnosti jsou výstupem algoritmu DFA dva škálovací exponenty α, tzv. rychlý
„fast“ exponent a pomalý „slow“ exponent. Tyto dva exponenty se liší tím, že rychlý exponent je počítán z rychle vzorkovaného signálu, zatímco pomalý exponent je počítán ze signálu
s pomalým vzorkováním. Stejně jako u ApEn i zde jsou uvedeny dva ilustrující obrázky (Obr.
18 a Obr. 19) sinusového signálu a sinusového signálu superponovaného bílým šumem. Pod
oběma obrázky jsou uvedeny hodnoty škálovacího exponentu α a to jak pro variantu „fast“ tak
i „slow“.
Obr. 18 Sinusový signál (DFA)
Obr. 19 Sinusový signál superponovaný bílým
šumem (DFA)
DFA fast: α = 0.262
DFA slow: α = 0.004
DFA fast: α = 0.405
DFA slow: α = 0.794
40
Kapitola 3
Dynamic Time Warping
Analyzovaná data aktigrafického záznamu i příznaky z těchto dat extrahované mají podobu
časové řady ovšem s tím rozdílem, že frekvence vzorkování je u aktigrafického záznamu 2
minuty (popřípadě 30 vteřin) a u extrahovaných časových řad 1 den. Ze znalosti charakteru
spánkových oblastí se snažíme o predikci výskytu manických a depresivních episod u pacientů s bipolární poruchou, a to zejména na základě znalosti extrahovaných příznaků. Pro predikci je třeba nejprve vybrat vhodnou metodu klasifikace a tu pak aplikovat na manické a depresivní episody. V průběhu let bylo vyvinuto mnoho metod pro klasifikaci časových řad, proto
prvním úkolem bylo vybrat nejvhodnější metodu pro klasifikaci extrahovaných časových řad
z této úlohy. Na následujících několika řádcích jsou popsány tři nejčastěji používané klasifikační úlohy pro práci s časovými řadami:
Skryté Markovské modely (Hidden Markov Models)
Metoda používaná zejména pro multivariantní časové řady. Modely se skládají ze stavů,
z možných přechodů mezi těmito stavy a pravděpodobnosti, že tyto přechody jsou uskutečněny. A dále z pravděpodobnosti, že každému stavu přísluší jedno pozorování. Pravděpodobnost
výstupního stavu závisí na hodnotě současného stavu, ne na stavech předcházejících. Pro
všechny třídy můžeme používat jeden model. Pak vybíráme nejpravděpodobnější sled stavů.
Pokud máme víc modelů, pak pro každý z nich vypočítáme pravděpodobnost a vybereme model s největší hodnotou pravděpodobnosti. Pro Markovské modely je typická pomalá křivka
učení, protože potřebují velkou vstupní datovou sadu a nastavení velkého počtu parametrů
[13]. Na Obr. 20 je schématicky znázorněn jednoduchý Markovský model s třemi stavy a
pravděpodobnostními tabulkami pro každý stav.
Rekurentní neuronové sítě (Reccurent Neural Nets)
Neuronová síť se skládá z jednotlivých neuronů (jednotek), které mají váhované vstupy. Výstup neuronové sítě je pak dán funkcí vah (w) a vstupů jednotlivých neuronů (i):
output = f (∑ i j w j ).
41
(31)
Jednotlivé neurony jsou navzájem spojeny tak, aby tvořili síť, která se skládá ze vstupní vrstvy, výstupní vrstvy a obyčejně ještě tzv. skryté vrstvy. Počet neuronů ve skryté vrstvě je libovolný, ve vstupní vrstvě je dán počtem atributů a ve výstupní vrstvě počtem tříd. Abychom
získali optimální hodnotu výstupu, měníme váhy vstupních neuronů např. pomocí algoritmu
zpětného šíření (backpropagation). V případě rekurentní neuronové sítě (dále jen RNN) je
toto obecné schéma navíc doplněno ještě o tzv. kontextovou vrstvu, jak je vidět na Obr. 21.
V každém kroku přichází do RNN nové vstupní informace. Předešlé informace ze skryté vrstvy jsou přesunuty do vrstvy kontextové a odtud jsou v dalším kroku předány zpět do skryté
vrstvy. Pomocí algoritmu zpětného šíření jsou nastaveny váhy skyté i kontextové vrstvy. Stejně jako Markovské modely i neuronové sítě mají pomalou křivku učení. V tomto případě je to
dáno zejména velkým počtem vstupních neuronů nebo uzlů ve skryté vrstvě. I zde je třeba
nastavit velký počet vstupních parametrů [13].
Obr. 20 Skrytý Markovský model pro tři stavy
(Obrázek převzat z: A General Architecture for Supervised Classification of Multivariate TIme Series [13].)
Obr. 21 Struktura rekurentní neuronové sítě
(Obrázek převzat z: A General Architecture for Supervised Classification of Multivariate TIme Series [13].)
Dynamic Time Warping
Podstata této metody spočívá v nalezení minimální vzdálenosti mezi šablonou a vstupním
sledem dat. Vytvoření šablony z dat není triviální úloha a typicky závisí na pořadí trénovacích
příkladů [13]. Ale na rozdíl od předcházejících dvou úloh, zde není třeba nastavovat velký
počet vstupních parametrů, pro univariantní řady má tato metoda rychlou křivku učení a má
jednoduchý výpočetní algoritmus. Nejpodstatnější výhodou této metody je, že potřebuje relativně méně dat na trénování než-li předcházející dvě metody.
42
Pro znatelně menší nárok na trénovací data a pro jednoduchý a rychlý výpočetní algoritmus,
byla pro tuto úlohu vybrána klasifikační metoda Dynamic Time Warping (dále jen DTW).
Nejběžnější typ úlohy pracující s časovými řadami je porovnání jedné sekvence s druhou.
V některých případech je postačující jednoduchý výpočet vzdálenosti, např. pomocí Euklidovské vzdálenosti. Problém této metody ale spočívá v tom, že je velice citlivá na malé distorze v časové ose. Ačkoli je běžné, že dvě sekvence mají přibližně stejný tvar všech komponent (mají stejnou obálku), nemusí si odpovídat z pohledu osy X (časové osy), jsou vzájemně
posunuté. Jednoduchý příklad je uveden na Obr. 22. Aby bylo možno nalézt podobnost mezi
dvěma sekvencemi, u kterých není možné použít výpočet Euklidovské vzdálenosti, je třeba
„deformovat“ časovou osu jedné, popřípadě obou sekvencí tak, abychom docílili lepší synchronizace. Pro efektivní deformaci časové dimenze se používá právě DTW [15].
Obr. 22 A) Dvě časové řady reprezentující pohyb ruky píšící perem. B) Uspořádání dvou sekvencí pomocí
DTW
(Obrázek převzat z: Derivate Dynamic Time Warping [15].)
Zjednodušeně můžeme říct, že DTW je zobecněním klasických algoritmů pro porovnání
diskrétních časových řad. Jako ilustrativní příklad principu použití DTW je nejlépe vzít dvě
časové řady o různé délce, které jsou vstupem výpočetního algoritmu DTW. Tento algoritmus
hledá deformaci časové dimenze jedné z časových sekvencí tak, aby byl minimalizován rozdíl
mezi vstupními časovými řadami. Deformace časové dimenze se skládá ze dvou kroků.
V prvním kroku jsou vybrány deformační body, které odpovídají navzorkovaným hodnotám
vybrané vstupní sekvence. Ve druhém kroku jsou tyto vybrané body přeneseny na nové místo.
Schématicky je princip deformace ukázán na Obr. 23.
Hledání nejlepšího uspořádání mezi dvěma časovými sekvencemi si můžeme také představit jako hledání nejlepší cesty v mapovací mřížce prvků obou sekvencí. Mluvíme o tzv.
deformační cestě (viz následující podkapitola 3.1).
Proto jsou při výpočtu DTW využívány i metody dynamického programování.
Obr. 23 Princip deformace časové dimenze
(Obrázek převzat z: Pattern Matching Techniques [16].)
43
V devadesátých letech byla metoda DTW představena data miningové komunitě [17], která poznamenala, že i přes nespornou užitečnost této metody, může být velkým problémem její
časové složitost a to zejména při práci s velkými objemy dat. I přes tento nedostatek je DTW
velmi široce používanou metodou v různých odvětvích. V bio-informatice je DTW
s úspěchem využívána k vyjádření dat získaných z RNA [18]. V chemickém průmyslu se používá k synchronizaci a monitorování polymerizace [19]. Dále se s úspěchem používá ke třídění biometrických dat, jako jsou otisky prstů [21] nebo chůze [20]. A v neposlední řadě je
DTW využíváno v robotice [23], v porovnávání dat v ECG [22] nebo zpracování řeči. Přehled
využití DTW převzat z [14].
3.1 Klasický algoritmus DTW
Máme dvě časové řady Q a C s různou délkou m a n takové, že:
Q = q1 , q 2 ,..., q i ,..., q m
C = c1 , c 2 ,..., c j ,..., c n
.
(32)
Proto, abychom mohli porovnat dvě časové sekvence pomocí DTW, musíme nejprve sestavit matici M o velikosti n-krát-m a to tak, že (i,j) prvek této matice obsahuje vzdálenost
d(q,c) mezi dvěma prvky q a c. Pro určení vzdálenosti se typicky používá Euklidovská vzdálenost, tedy:
d (qi , c j ) = (qi − c j ) .
2
(33)
Každý prvek (i,j) matice M tedy odpovídá přiřazení mezi body qi a cj, jak ukazuje následující Obr. 24. Na tomto ilustrativním obrázku je také vidět deformační cesta W („warping path“). Deformační cesta W je charakterizována jako soubor sousedních prvků výše zmíněné
matice M. Tento soubor prvků tvoří mapování mezi časovými řadami Q a C. Pro prvek k cesty
W platí, že wk = (i,j)k. Následně můžeme tedy cestu W definovat jako:
W = w1 , w2 ,..., wk ,..., wK
max (m, n ) ≤ K < m + n − 1
.
(34)
Deformační cesta W musí splňovat tyto tři podmínky:
• Okrajové podmínky: w1 = (1,1) a wK = (m,n);
jedná se o určení polohy prvního a posledního bodu deformační cesty tak, aby vedla
diagonálně z levého dolního okraje matice M do jejího pravého horního okraje.
• Spojitost: je dáno wk = (a,b) a wk-1 = (a‘,b‘) tak, že a-a‘ ≤ 1 a b-b‘ ≤ 1;
tato podmínka vymezuje přípustné kroky mezi sousedními buňkami matice M, po
kterých vede deformační cesta W
• Monotónnost: je dáno wk = (a,b) a wk-1 = (a‘,b‘) tak, že a-a‘ ≥ 0 a b-b‘ ≥ 0;
tato podmínka nutí body deformační cesty W k monotónnosti v čase
44
Obr. 24 Grafická reprezentace matice M s vyznačenou deformační cestou W
(Obrázek převzat z: Derivate Dynamic Time Warping [15].)
Výše zmíněné podmínky jsou nutnou, nikoli však postačující podmínkou pro nalezení
správné deformační cesty W, protože tyto podmínky splňuje exponenciálně mnoho deformačních cest. Hledaná výsledná deformační cesta W je taková, která minimalizuje deformační
cenu:
K
DTW (Q, C ) = min
∑w
k =1
K
k
.
(35)
Ve jmenovateli je zaveden koeficient K kvůli rozdílným délkám deformačních cest.
Speciálním případem DTW může být Euklidovská vzdálenost mezi prvky dvou časových
řad, a to tehdy, pokud pro prvek k deformační cesty W platí, že wk = (i,j)k, i = j =k. Tento speciální případ platí jen tehdy, pokud obě časové řady mají stejnou délku, tedy pokud m = n.
Časová složitost DTW je O(nm).
Deformační cestu lze nalézt mnohem efektivněji s využitím metody dynamického programování. Tato metoda umožňuje odhad rekurentního vztahu (36), který definuje kumulativní
vzdálenost γ(i,j) jako součet vzdálenosti d(i,j) aktivní buňky a minima kumulativní vzdálenosti sousedních prvků [15].
γ (i, j ) = d (qi , c j ) + min {γ (i − 1, j − 1), γ (i − 1, j ), γ (i, j − 1)} .
45
(36)
3.1.1 Optimalizace algoritmu DTW
Pro velké datové sady může být měření podobnosti výpočetně náročné, proto se snažíme tyto
výpočty v maximální možné míře optimalizovat. Euklidovskou vzdálenost (37), nejpoužívanější metodu pro výpočet vzdálenosti, je možné optimalizovat hned několika způsoby.
D( X , Y ) =
∑ (x
n
i =1
− yi ) .
2
i
(37)
První zjevná optimalizace je odvozena od skutečnosti, že druhá odmocnina je monotónní
funkce, tudíž ji můžeme při výpočtu vynechat. Vynechání druhé odmocniny vede k další optimalizaci. Stanovíme prahovou hodnotu, a pokud celková vzdálenost, kterou počítáme, tuto
prahovou hodnotu přesáhne, končíme s výpočtem. Optimalizací došlo ke snížení časové složitosti z lineární na konstantní.
Tento postup optimalizace není ale možné u algoritmu DTW použít. Důvod je ten, že aby
mohla být nalezena deformační cesta, musí být nejprve vypočítána vzdálenost mezi všemi
body analyzovaných časových řad. Nelze tedy stanovit nějakou prahovou hodnotu a výpočetní algoritmus ukončit. Další rozdíl mezi Euklidovskou vzdáleností a algoritmem DTW je, že
DTW nepoužívá registr („accumulator“), ale zásobník („stack“) jako implicitní registr pro
ukládání celkového souboru vypočítaných vzdáleností. Z tohoto zásobníku jsou pak dále tyto
vzdálenosti rekurentně vybírány pro stanovení minimální deformační cesty. Časová složitost
tohoto algoritmu je kvadratická. Pokud tedy potřebujeme zvýšit výpočetní rychlost algoritmu
DTW, můžeme použít vhodnou aproximaci této metody, např. Iterative Deepening Dynamic
Time Warping [14], nebo využít metod pro globální a lokální optimalizaci matice M, jak je
tomu v této úloze.
Metoda globální optimalizace je založena na použití omezujících podmínek, které definují
počet buněk matice M, které jsou oceněny pro hledání minimální deformační cesty W. Dvě
z nejvíce používaných globálních optimalizací jsou Sakoe-Chubův pás a Itakurův rovnoběžník, jak je vidět na následujícím Obr. 25 [27].
Obr. 25 Sakoe-Chubův pás (vlevo), Itakurův rovnoběžník (vpravo)
(Obrázek převzat z: FastDTW: Toward Accurate Dynamic Time Warping in Linear Time and Space [27].)
Použití globálních podmínek zaručuje, že optimální deformační cesta W bude hledána
pouze v oblasti vymezené tmavě šedou barvou. Tohoto omezení lze docílit např. tak, že mimo
tyto vymezené oblasti doplníme velmi vysoké hodnoty, mezi kterými nikdy nemůže ležet hledaná minimální vzdálenost. Použití těchto omezujících podmínek může snížit časovou složi-
46
tost algoritmu DTW na konstantní. Globální optimalizace pracuje nejlépe v těch případech,
kdy je optimální deformační cesta očekávána v blízkosti lineární deformace a prochází okolo
diagonály matice M. Nejméně spolehlivě pracují globální omezující podmínky v případě, že
události časové řady začínají a končí v radikálně odlišných časech, protože v takovém případě
může deformační cesta ležet daleko od lineární deformace a musí se projít téměř celá matice
M, aby byla tato optimální deformační cesta W nalezena [27].
Algoritmus DTW lze optimalizovat i použitím lokálních omezujících podmínek. Princip
lokální optimalizace je jednoduchý, spočívá v tom, že jeden ze směrů, kterými můžeme přecházet mezi prvky matice M, penalizujeme oproti ostatním, čímž docílíme toho, že v tomto
směru nebude nikdy nalezeno minimum. Princip lokální optimalizace ukazuje následující
Obr. 26 [16].
Obr. 26 Princip lokální optimalizace DTW
(Obrázek převzat z: Pattern Matching Techniques (Dynamic Time Warping) [16].)
To, co ilustruje Obr. 26, následující vztahy popisují matematicky [16]:
M [0,0] = 2d [0,0]
 M [i, j − 1] + d [i, j ]


M [i, j ] = min M [i − 1, j − 1] + 2d [i, j ]

 M [i − 1, j ] + d [i, j ]
M n x − 1, n y − 1
∆( x , y ) =
nx + n y
[
(38)
]
Procházíme matici M. Z jednoho bodu můžeme jít třemi směry. Ale jen dva směry jsou
správné. Třetí směr (diagonální) je nevyhovující, proto ho penalizujeme. Touto cestou nikdy
nebudeme hledat minimu.
47
Kapitola 4
Selekce příznaků a klasifikace
Jak již bylo řečeno v úvodu minulé kapitoly, tak cílem této práce je snaha o predikci výskytu
manických a depresivních episod u pacientů s bipolární poruchou. Podkladem pro tuto predikci je zejména znalost charakteru spánkových oblastí. Charakterem spánkové oblasti rozumíme soubor třiceti čtyř příznaků, které jsou výstupem „spánkové analýzy“ (viz kapitola 2
podkapitola 2.2). Tyto příznaky jsou následně vstupem do klasifikátoru. Pro úspěšnou klasifikaci je ale důležitá i znalost doplňujících informací ze subjektivních dotazníků. Nedostatek
těchto informací klade jistá omezení na výsledné řešení této úlohy. Jednak není možné klasifikovat Pacienta č. 4 z důvodu celkové absence doplňujících údajů. A jednak není možné predikovat výskyt manické episody, protože u zbývajících dvou zpracovávaných pacientů (Pacient č. 1 a Pacient č. 6) nemáme ani jeden potvrzený výskyt této episody. V další části této
práce se tedy budeme zabývat pouze predikcí depresivních episod u Pacienta č. 1 a Pacienta
č. 6.
Jelikož nejsou všechny extrahované příznaky stejně vhodné pro klasifikaci a také proto, že
není možné využít všech kombinací těchto příznaků, je třeba nejprve z celé sady vybrat jen ty
nejvhodnější.
4.1 Selekce příznaků
Vybírat vhodné příznaky pro klasifikátor lze několika způsoby. O způsobu výběru většinou
rozhoduje povaha úlohy nebo charakter a rozsah příznaků. V tomto případě je množství příznaků a povaha úlohy taková, že jako nejvhodnější přístup se ukázala metoda „subjektivního
vizuálního výběru“. Přesněji řečeno, jsou pomocí této metody vybrány zajímavé příznaky,
které jsou po té použity jako vstup do klasifikátoru a ještě dále vytříděny podle kvality výsledné klasifikace. Postup „subjektivního vizuálního výběru“ je následující.
Jednotlivé příznaky, a to jak parametrické tak i neparametrické, jsou počítány postupně a
ukládány do jedné velké struktury, z které mohou být vybírány podle momentální potřeby.
Pro vykreslení jsou ale seskupovány do logických celků. Každá skupina příznaků je při vykreslení navíc doplněna o údaje zjištěné ze subjektivních dotazníků, jako je výskyt deprese,
pokles nálady nebo hospitalizace. Tyto subjektivní údaje pomáhají při výběru vhodných pří-
48
znaků pro klasifikaci a to tak, že zejména v jejich blízkosti je pečlivě kontrolován časový průběh každého příznaku. Podstatou této metody pro výběr vhodných kandidátů je tedy to, že
každá skupina vykreslených příznaků je vizuálně zkontrolována a hlavní pozornost je věnována každé významné změně časového průběhu nebo skupině znaků, které se opakují. Tímto
není vybírána celá skupina vykreslených příznaků, ale jen nejlepší kandidáti. Nevýhodou této
metody výběru příznaků je, že je založena na subjektivním pocitu toho, kdo kandidáty pro
klasifikaci vybírá.
Na následujících obrázcích jsou ukázány časové průběhy vybraných příznaků pro klasifikaci
Pacienta č. 1 a Pacienta č. 6. Vykreslení ostatních příznaků je uvedeno v příloze F, kde je
navíc zařazeno i několik obrázků zobrazujících příznaky pro Pacienta č. 4, ač s údaji tohoto
pacienta nebude již dále pracováno.
Příznaky pro Pacienta č. 1
Když se podíváme na časový průběh těchto vybraných příznaků z celkového pohledu, lze si
povšimnout zejména na Obr. 28, Obr. 29, Obr. 31 a Obr. 32 dvou výrazných sedel v oblasti,
kde jsou indikovány výskyty deprese (červená barva), zhoršení nálady (zelená barva) nebo
hospitalizace (žlutá barva), a naopak výrazných špiček v oblastech, kde není nic indikováno.
Průběh příznaků na Obr. 30 má zcela opačný charakter, ale i tak je jeho průběh zcela signifikantní. Příznaky vykreslené na Obr. 27 mají velmi podobný průběh jen s tím rozdílem, že
minima sedel jsou patrná až po odeznění deprese (hospitalizace). Na Obr. 33 je vykreslený
průběh DFA analýzy pro období spánku a na Obr. 34 je vykreslený průběh Aproximativní
entropie pro období spánku, období bdění a celý den. Tyto příznaky byly vybrány jako zástupci statistických (neparametrických) příznaků. Z vizuálního hlediska tyto příznaky nic významného neukazují. Při detailním pohledu lze najít jisté zajímavé prvky v průběhu některých
příznaků, jako jsou zejména výrazné kladné nebo záporné špičky. Žádný z těchto prvků se
bohužel periodicky neopakuje např. před výskytem depresivní episody, aby z něj bylo možno
jednoznačně něco usuzovat. Sada těchto příznaků byla tedy vybrána hlavně pro tvar jejich
časového průběhu.
Ve druhé polovině časového průběhu všech vybraných příznaků je patrný výpadek dat.
Tento výpadek není způsobený chybou ve výpočtu nebo chybou při vykreslení příznaků, ale
výpadkem dat ve vstupním aktigrafickém záznamu, což je nejlépe vidět na Obr. 102D Celkový přehled sledovaného období pro Pacienta č. 1 uvedeného v příloze D.
Obr. 27 Vykreslená kombinace příznaků: Časy usnutí (Sleep begin), Časy probuzení (Sleep end)
49
Obr. 28 Vykreslená kombinace příznaků: Délka spánkové oblasti (Assumed sleep), Součet vzorků bez
pohybu (Number of minutes immobile), Suma doby spánku (Actual sleep time), Počet minut s pohybem
(Number of minutes moving)
Obr. 29 Vykreslená kombinace příznaků: Počet segmentů klasifikovaných jako bdění (Number of wake
bouts), Počet segmentů klasifikovaných jako spánek (Number of sleep bouts), Počet segmentů klasifikovaných jako klid (Number of immobile phases), Počet segmentů klasifikovaných jako klid, které trvají 1
minutu a méně (Number of immobile phases of 1 min)
Obr. 30 Vykreslená kombinace příznaků: Efektivita spánku (Sleep efficiency), Počet minut bez pohybu
(Number of minutes immobile)
50
Obr. 31 Vykreslená kombinace příznaků: Součet aktivity v dané oblasti (Total activity score), Průměrná
aktivita v dané oblasti (Mean activity score), Průměrná aktivita na počet aktivních vzorků (Mean score in
active period)
Obr. 32 Vykreslená kombinace příznaků: Poměr segmentů klasifikovaných jako klid, které trvají 1 minutu (Immobility of 1 minute), Fragmentace spánku (Fragmentation index)
Obr. 33 Vykreslená kombinace příznaků: DFA Fast pro oblasti klasifikované jako spánek, DFA Slow pro
oblasti klasifikované jako spánek
51
Obr. 34 Vykreslená kombinace příznaků: ApEn pro oblasti klasifikované jako spánek, ApEn pro oblasti
klasifikované jako bdění, ApEn pro celý den
Příznaky pro Pacienta č. 6
Časový průběh vybraných příznaků u tohoto pacienta nemá tak signifikantní průběh jako u
Pacienta č. 1. Na Obr. 35 jsou patrné velmi vysoké špičky před výskytem deprese v průběhu
příznaku Čas probuzení (modrá barva). Mezi první a druhou depresí je viditelný výpadek dat,
takže je možno předpokládat, že i zde mohla být stejně výrazná špička. V průběhu příznaků
na Obr. 36 žádné takto výrazné špičky nejsou, ale oba průběhy jsou velmi synchronizované.
A v oblasti okolo hospitalizace (žlutá barva) jsou patrné vyšší kladné špičky následované viditelným propadem. Stejně jako je tomu v případě Pacienta č. 1, tak i zde byl vybrán průběh
DFA analýzy pro oblasti klasifikované jako spánek a Aproximativní entropie pro spánek,
bdění a celý den jako zástupci statistických (neparametrických) příznaků. V průběhu DFA i
Aproximativní entropie jsou velmi výrazné záporné špičky před výskytem všech depresí, jen
se tyto špičky vyskytují v různých vzdálenostech od těchto zaznamenaných depresí.
Stejně jako je tomu u Pacienta č. 1, tak je v průběhu všech vybraných příznaků patrný výpadek dat. Ani zde není výpadek způsobený chybou ve výpočtu nebo chybou při vykreslení
příznaků, ale výpadkem dat ve vstupním aktigrafickém záznamu, což je stejně jako
v minulém případě nejlépe vidět na Obr. 15 Celkový přehled sledovaného období pro Pacienta č. 6 v kapitole 2.
Obr. 35 Vykreslená kombinace příznaků: Časy usnutí (Sleep begin), Časy probuzení (Sleep end)
52
Obr. 36 Vykreslená kombinace příznaků: Efektivita spánku (Sleep efficiency), Počet minut bez pohybu
Obr. 37 Vykreslená kombinace příznaků: DFA Fast pro oblasti klasifikované jako spánek, DFA Slow pro
oblasti klasifikované jako spánek
Obr. 38 Vykreslená kombinace příznaků: ApEn pro oblasti klasifikované jako spánek, ApEn pro oblasti
klasifikované jako bdění, ApEn pro celý den
53
4.2 Klasifikace
Vizuálně vybrané příznaky jsou vstupem do klasifikátoru. Jak bylo napsáno v kapitole 3, tak
pro klasifikaci příznaků v této práci byla vybrána metoda Dynamic Time Warping a to zejména pro svou jednoduchost a poměrně malé nároky na trénovací data, což je v tomto případě
velmi důležitá vlastnost, vzhledem k malé datové sadě.
Podstatou klasifikační úlohy je to, že máme k dispozici dvě množiny dat. První množina
je tvořena tzv. trénovacími daty, která slouží k učení klasifikátoru. Tato množin by měla být
dostatečně velká, aby bylo možno klasifikátor správně naučit. Zároveň by trénovací data měla
být taková, aby v sobě nesla co možná největší počet příznaků, podle kterých bude naučený
klasifikátor schopen správně rozpoznat data z druhé množiny, z množiny testovací. Testovací
data obsažená ve druhé množině slouží k tomu, abychom mohli otestovat, s jak velkou chybou naučený klasifikátor rozpoznává požadované znaky. V ideálním případě by trénovací a
testovací množina neměla být totožná. Toto ale klade poměrně velký nárok na velikost vstupních dat. Jen z dostatečně velké datové sady můžeme udělat dvě odpovídajícím způsobem
velké nepřekrývající se množiny. Zpracování vybraných příznaků pomocí klasifikátoru DTW
je tedy typická klasifikační úloha. Ale pro vytvoření nepřekrývající se trénovací a testovací
množiny bohužel nemáme v tomto případě dostatek dat.
Smyslem predikce je v dostatečném předstihu před výskytem depresivní episody detekovat signifikantní příznaky, které upozorňují na její příchod. Na tomto principu je založena
tvorba trénovací matice Train. Vezmeme vybrané příznaky a dvě okna, jedno dlouhé 21 dní
(EPOCH_LENGTH), druhé dlouhé 7 dní (PREDICTION_LENGTH). Oknem dlouhým 21
dní vybereme postupně z časového průběhu všech vybraných příznaků třítýdenní úsek, v kterém hledáme ve vzdálenosti jednoho týdne výskyt deprese na základě znalosti tohoto údaje ze
subjektivného dotazníku. Tímto způsobem dostaneme matici se všemi výskyty deprese za celé
období. Princip použití dvou oken o různé délce pro vytvoření trénovací matice Train je ilustrován na následujícím Obr. 39.
Obr. 39 Použití EPOCH_LENGTH a PREDICTION_LENGTH při tvorbě matice Train
Jak bylo popsáno ve třetí kapitole, principem algoritmu DTW je měření vzdálenosti mezi
dvěma časovými řadami. V našem případě zjišťujeme vzdálenost mezi známými výskyty depresí v trénovací množině Train a aktuální „šablonou“. „Šablonu“ vytvoříme tak, že z tréno-
54
vací matice Train vybereme jeden nebo více výskytů deprese. Pokud vybereme více depresí,
pak z nich sestavíme kombinaci, např. aritmetický součet, který pak vystupuje jako požadovaná „šablona“. Kvalitu zvolené „šablony“ opět kontrolujeme vizuálně podle výstupního obrázku klasifikátoru a zároveň podle vypočítané vzdálenosti této šablony vůči známým výskytům deprese. Stejným způsobem kontrolujeme nejen kvalitu zvolené „šablony“ ale i vybraných příznaků pro klasifikaci.
4.2.1 Grafický výstup klasifikátoru DTW
Následující obrázky ukazují nejlepší výsledky klasifikace, které jsme pomocí klasifikátoru
DTW získali a to jak pro Pacienta č. 1 tak pro Pacienta č. 6.
Výsledná klasifikace pro Pacienta č. 1
U všech uvedených klasifikací jsou použity stejné příznaky a to „Časy usnutí“ (Sleep begin),
„Časy probuzení“ (Sleep end) a „Celkový součet aktivity“ (Total activity score). Nejsilnějším
příznakem z této skupiny je poslední příznak, „Celkový součet aktivity“, který dává nejlepší
výstupní obrázek klasifikace. Pokud se příznak „Celkový součet aktivity“ zkombinuje navíc
s příznaky „Časy usnutí“ a „Časy probuzení“, dostaneme i nejlepší hodnoty vypočítané vzdálenosti. Výsledné obrázky klasifikace se liší v použité „šabloně“. Na Obr. 40 je jako „šablona“ použita v pořadí druhá deprese, což se projevuje velkou zápornou špičkou v těsné blízkosti této deprese. Na Obr. 41 je jako „šablona“ požit aritmetický součet třetí a čtvrté deprese
v pořadí. Na Obr. 42 je jako „šablona“ použit aritmetický průměr ze všech šesti zaznamenaných depresí.
Pokud se podíváme na výstupní obrázky z klasifikátoru, je na první pohled patrné, že časový průběh výstupu klasifikátoru je totožný s průběhem vybraných příznaků pro klasifikaci.
Tedy jsou tu opět patrné propady v místě velké koncentrace depresí nebo dnů se zhoršenou
náladou. A naopak významné špičky v obdobích bez deprese. Tento trend je na všech obrázcích znázorněn černou proloženou křivkou (polynomem různého stupně). Bohužel ani zde
nejsou patrné žádné významné periodicky se opakující prvky. Klasifikace je navíc poznamenána výpadkem dat.
Obr. 40 Výsledná klasifikace pro „šablonu“ tvořenou v pořadí druhou depresí, proložení polynomem
devátého stupně
55
Obr. 41 Výsledná klasifikace pro „šablonu“ tvořenou aritmetickým součtem třetí a čtvrté deprese, proložení polynomem šestého stupně
Obr. 42 Výsledná klasifikace pro „šablonu“ tvořenou aritmetickým součtem všech šesti zaznamenaných
depresí, proložení polynomem šestého stupně
Výsledná klasifikace pro Pacienta č. 6
Pro Pacienta č. 6 máme k dispozici poměrně krátký vstupní aktigrafický záznam, a tudíž i
velmi malý počet zaznamenaných depresí, což velmi negativně ovlivňuje výslednou klasifikaci, jak je vidět na Obr. 43. Jako „šablona“ byla použita v pořadí první deprese. Použití
kombinací různých výskytů depresí v tomto případě nešlo použít. Nezdařila se vůbec klasifikace. Výsledná klasifikace nejen že neposkytuje žádné významné body pro predikci, ale navíc
je poznamenána velkými výpadky dat, což je v tomto případě velmi negativní. I tato výsledná
klasifikace je proložena trendem, ale vzhledem k malému počtu relevantních dat, ani tento
trend nepřináší žádnou významnou informaci.
56
Obr. 43 Výsledná klasifikace pro „šablonu“ tvořenou v pořadí první depresí, proložení polynomem čtvrtého stupně
4.2.2 Automatická analýza
Jak již bylo několikrát na těchto stránkách řečeno, tak hlavním cílem této práce je predikce
depresivní episody u pacientů s bipolární poruchou. Predikci obecně chápeme jako odhad
nějaké budoucí události na základě znalostí, které máme v současnosti k dispozici. Tyto znalosti jsou sestavené jednak ze současných tak i minulých událostí. Pouhá znalost těchto informací ale k dobré predikci nestačí. V datech, která máme k dispozici, je třeba nejprve nalézt
nějaké signifikantní příznaky, které s jistou, nejlépe stoprocentní, pravděpodobností předcházejí událostem, které chceme predikovat. Na základě těchto signifikantních příznaků lze sestavit automatickou analýzu, která dokáže tyto příznaky v nově příchozích datech zachytit,
vyznačit a tím upozornit na nastávající událost.
V našem případě máme k dispozici grafický výstup klasifikátoru DTW a údaje ze subjektivních dotazníků (výskyt deprese, zhoršené nálady a hospitalizace). Pro účely automatické
analýzy pro predikci depresivní episody tedy máme záznam událostí, výskyty deprese, které
chceme predikovat, a zbývají nám signifikantní příznaky předcházející právě výskytu deprese.
Tyto signifikantní příznaky jsou největším problémem této úlohy. Jak bylo řečeno v minulých
kapitolách, výstupní obrázky vybraných příznaků i klasifikátoru DTW mají sedlový charakter
v místech výskytu deprese a naopak v místech bez depresí jsou velké špičky. Tento celkový
trend, jak byl ukázán na Obr. 40, Obr. 41 a Obr. 42, ale není možné brát jako signifikantní
příznak pro predikci.
Pro predikci je třeba nalézt příznaky, které se vyskytují v bezprostřední blízkosti před výskyty deprese. Takové příznaky nelze ovšem v tomto případě v grafickém výstupu klasifikátoru najít a to ani při pečlivé vizuální kontrole. Vzhledem k absenci těchto pro predikci důležitých příznaků nelze stanovit přesná pravidla pro automatickou analýzu, tak jak byla popsána
v předcházejících odstavcích.
Pokud vezmeme výstupní data z klasifikátoru, napočítáme z nich rozdíl (diferenci) a tento
rozdíl oprahujeme (tzn. že hodnoty, které jsou menší než kladná hodnota prahu a hodnoty,
které jsou větší než záporná hodnota prahu, vynulujeme) a podíváme se na takto oprahovaná
data, lze si všimnout opakujícího se výskytu příznaku, pro který je charakteristická výrazná
kladná špička následovaná výraznou zápornou špičkou. Na následujících dvou obrázcích je
57
vidět výsledek automatické analýzy, pokud je jako příznak pro predikci vzata právě tato dvojice velká kladná špička – velká záporná špička. Takto detekované příznaky jsou vykresleny
jako zelené špičky, které lépe ukazují kombinaci kladné a záporné hodnoty než jedna čára
vykreslená v místě střetu těchto dvou hodnot.
Bohužel ani tento přístup k automatické predikci nepřinesl zatím žádné přínosné výsledky.
Obr. 44 Výsledek automatické analýzy
Obr. 45 Výsledek automatické analýzy – detail
58
Kapitola 5
Shrnutí
Na těchto několika posledních řádcích se tedy pokusíme zrekapitulovat práci se vstupním
aktigrafickým záznamem a shrnout kvalitu dosažených výsledků.
Vstupní aktigrafický záznam, který reprezentuje záznam pohybové aktivity, v sobě nese
nepřímou informaci a délce a kvalitě spánku, což je důležité pro účely této práce, neboť metoda aktigafie byla zvolena jako doplňková objektivní metoda k metodě subjektivních pacientských dotazníků ze systému ITAREPS. Tento vstupní aktigrafický záznam je důležité nejprve předzpracovat. Hlavní součástí předzpracování je převzorkování, vzhledem k různé použité vzorkovací frekvenci u jednotlivých pacientů, oprahování a filtrování mediánovým filtrem, který je vhodný zejména pro eliminaci náhlých velkých odchylek, jako jsou náhodné
nulové hodnoty v nenulovém poli a naopak. Předzpracovaná data jsou dále automaticky detekována. Výsledkem automatické detekce je nalezení spánkových oblastí. Pokud se stane, že
některá spánková oblast není automaticky detekována nebo je některá z detekovaných oblastí
detekována chybně (nepřesně) je výsledek automatické detekce opraven ručně pomocí manuální editace. Pro nalezené spánkové oblasti a oblasti bdění jsou vypočítány parametrické a
neparametrické příznaky. Tyto příznaky jsou důležité pro následnou klasifikace. Než ale dojede na klasifikaci dat, je třeba ze sady vypočítaných příznaků pomocí „subjektivní vizuální
metody“ vybrat jen ty nejvhodnější kandidáty pro klasifikaci. Pro klasifikaci byla zvolena
metoda Dynamic Tima Warping a to zejména kvůli své jednoduchosti a poměrně malým nárokům na trénovací data. Obecně je tato metoda vhodná zejména pro práci s časovými řadami
a její algoritmus je založen na deformaci časové řady jedné ze sledovaných sekvencí a výpočtu vzdálenosti mezi těmito dvěma sekvencemi. Touto metodou je zjištěna jejich podobnost. Vybrané příznaky jsou tedy klasifikovány pomocí metody Dynamic Time Warping. Výstup klasifikátoru má opět grafickou reprezentaci. Stejně jako u výběru příznaků je i zde vizuálně vybrán nejlepší výsledek klasifikace. Vykreslení výstupní klasifikace je doplněno o trend
této křivky a o zakreslení významných událostí získaných z pacientských dotazníků jako je
výskyt deprese, zhoršení nálady a hospitalizace. Právě výskyt deprese je příznak, který se
snažíme predikovat.
Pro predikci potřebujeme získat sadu signifikantních příznaků, které předcházejí události,
kterou se snažíme predikovat. V tomto případě se nepodařilo tyto signifikantní příznaky najít,
a to jak u analyzovaného záznamu Pacienta č. 1 tak ani u Pacienta č. 6. U Pacienta č. 1 mají
59
ve většině případů vybrané příznaky stejný trend, jako má výsledný výstup klasifikátoru. Tento časový průběh je charakteristický a odpovídá průběhu střídání depresivních epizod
s epizodami bez deprese, ale pro predikci není tento průběh dostačující. U Pacienta č. 6 nemají vykreslené příznaky ani výstupní klasifikace žádný charakteristický trend. V obou případech chybí příznaky, které by upozorňovaly na nastupující depresi. Bez signifikantních příznaků není možná nejen predikce, ale tím pádem ani automatická analýza. V minulé kapitole
bylo ukázáno, že pokud pro automatickou analýzu nalezneme i jiné příznaky, není tato analýza úspěšná. Nedaří se odhadnout, kdy se dostaví další výskyt deprese.
V průběhu této práce se ukázalo, že největším problémem je nedostatek dat. Analyzovaný
záznam Pacienta č. 1 je nejdelší, který máme k dispozici. Data na tento záznam byla sbírána
po dobu jednoho roku. Za tuto dobu se u tohoto pacienta šestkrát vyskytla deprese a dvakrát
byl pro výskyt deprese hospitalizován (tyto údaje se datem překrývají). Pro učení klasifikátoru jsou tyto události ale nedostačující, není možné vytvořit dvě množiny dat, testovací a trénovací tak, aby se tyto dvě množiny nepřekrývaly. Dalším nepříjemným faktem je výpadek
dat. Z pohledu ročního sledování a sbírání dat se může tento výpadek jevit jako zanedbatelný,
ale pokud předchází výskytu deprese, mohou v něm být ztracena důležitá data. U Pacienta č. 6
je problém s nedostatkem dat ještě citelnější, což je vidět zejména na výsledné klasifikaci.
60
Přílohy
Příloha A
Časové průběhy bodovaných otázek ze subjektivního dotazníku
Příloha B
Přehled použitých aktigrafů od firmy Cambridge Neurotechnology Ltd.
Příloha C
GUI pro manuální editaci v Matlabu
Příloha D
Celkový přehled sledovaného období pro Pacienta č. 1
Příloha E
Přehledné vykreslení vstupního aktigrafického záznamu pomocí programu Sleep Analysis
dodávaného firmou Cambridge Neurotechnology Ltd. k používaným aktigrafům
Příloha F
Vykreslení extrahovaných příznaků, které nejsou uvedeny v kapitole 4
Příloha G
Evropské patenty firmy Cambridge Neurotechnology Ltd.
Příloha H
Přehled vybraných článků z rešeršní studie na téma aktigrafie
Příloha I
Přehled vybraných článků z rešeršní studie na téma bipolární porucha
61
Příloha A
Časové průběhy bodovaných otázek ze subjektivního dotazníku
(otázky subjektivního dotazníku viz podkapitola 1.1.3 Tab. 2)
Vždy je za sebou řazen časový průběh jedné otázky pro všechny tři pacienty:
Obr. 46A Otázka 1 – Pacient č. 1
i
ii
iii
iv
v
vi
vii
viii
ix
x
Obr. 87A Otázka 15 – Pacient č 1
xi
xii
xiii
xiv
Příloha B
Přehled použitých aktigrafů od firmy Cambridge Neurotechnology Ltd.
http://www.camntech.com
Actiwatch Plus
− Monitorování pouze pohybové aktivity
− Paměť 64 Kb
− Doba záznamu 45 dní při délce epochy 1 min
− Možnost označení událostí (Event marker)
− Voděodolný
Softwarové možnosti
− Analýza pohybové aktivity
− Analýza pohybové nebo spánkové aktivity
− PLMS software
Aplikace
− Diagnóza, stanovení a monitorování poruch spánku
− Stanovení režimu léčby
− Výzkum spánku
− Monitorování spánkové aktivity
− Klinické stanovení psychických poruch
Délka epochy Maximální doba snímání Výdrž baterie
2 sek
5 sek
10 sek
15 sek
30 sek
1 min
2 min
5 min
10 min
15 min
1 den
3 dny
7 dní
11 dní
22 dní
45 dní
90 dní
227dní
454 dní
681 dní
180 dní
180 dní
180 dní
180 dní
180 dní
180 dní
180 dní
180 dní
180 dní
180 dní
Actiwatch-L
− Integrovaný světelný senzor
− Paměť 64 Kb
− Doba záznamu 22 dní při délce epochy 1 min
− Voděodolný
Softwarové možnosti
− Analýza pohybové a spánkové aktivity
xv
Aplikace
− Výzkum v psychiatrii a i obecném lékařství
− Deprese
− Sezónní afektivní porucha
− Alzheimerova nemoc
15 sek
30 sek
1 min
2 min
5 min
10 min
15 min
5 dní
11 dní
22 dní
45 dní
113 dní
227 dní
340 dní
180 dní
180 dní
180 dní
180 dní
180 dní
180 dní
180 dní
Actiwatch Mini
−
−
−
−
−
−
Paměť 128 Kb
Doba záznamu 91 dní při délce epochy 1 min
Voděodolný
Výdrž baterie 18 měsíců
Možnost upevnit na zápěstí i límec
Možnost použít v kombinaci s ActiLight pro měření efektu světelné intenzity na pohybovou aktivitu a spánek
Software Options
− Analýza pohybové a spánkové aktivity
− PLMS
Aplikace
− Pediatrie
− Monitorování pohybové aktivity (pre-klinika)
− PLMS
2 sek
5 sek
10 sek
15 sek
30 sek
1 min
2 min
5 min
10 min
15 min
3 dny
7 dní
15 dní
22 dní
45 dní
91 dní
182 dní
455 dní
910 dní
1365 dní
500 dní
500 dní
500 dní
500 dní
500 dní
500 dní
500 dní
500 dní
500 dní
500 dní
xvi
Příloha C
GUI pro manuální editaci v Matlabu
Obr. 99C GUI pro manuální editaci – výběr detekovaného záznamu
Obr. 100C GUI pro manuální editaci – výběr manuální editace
xvii
Obr. 101C Zobrazený detekovaný aktigrafický záznam a prostředí umožňující jeho manuální editaci
xviii
Příloha D
Celkový přehled sledovaného období pro Pacienta č. 1 a Pacienta č. 4
Pacient č. 1
1. týden: 6. 11. 2006 – 12. 11. 2006
2. týden: 13. 11. 2006 – 19. 11. 2006
3. týden: 20. 11. 2006 – 26. 11. 2006
4. týden: 27. 11. 2006 – 3. 12. 2006
5. týden: 4. 12. 2006 – 10. 12. 2006
xix
6. týden: 11. 12. 2006 – 17. 12. 2006
7. týden: 18. 12. 2006 – 24. 12. 2006
8. týden: 25. 12. 2006 – 31. 12. 2006
9. týden: 1. 1. 2007 – 7. 1. 2007
10. týden: 8. 1. 2007 – 14. 1. 2007
11. týden: 15. 1. 2007 – 21. 1. 2007
12. týden: 22. 1. 2007 – 28. 1. 2007
xx
13. týden: 29. 1. 2007 – 4. 2. 2007
14. týden: 5. 12. 2007 – 11. 2. 2007
15. týden: 12. 2. 2007 – 18. 2. 2007
16. týden: 19. 2. 2007 – 25. 2. 2007
17. týden: 26. 2. 2007 – 4. 3. 2007
18. týden: 5. 3. 2007 – 11. 3. 2007
19. týden: 12. 3. 2007 – 18. 3. 2007
xxi
20. týden: 19. 3. 2007 – 25. 3. 2007
21. týden: 26. 3. 2007 – 1. 4. 2007
22. týden: 2. 4. 2007 – 8. 4. 2007
23. týden: 9. 4. 2007 – 15. 4. 2007
24. týden: 16. 4. 2007 – 22. 4. 2007
25. týden: 23. 4. 2007 – 29. 4. 2007
26. týden: 30. 4. 2007 – 6. 5. 2007
xxii
27. týden: 7. 5. 2007 – 13. 5. 2007
28. týden: 14. 5. 2007 – 20. 5. 2007
29. týden: 21. 5. 2007 – 27. 5. 2007
30. týden: 28. 5. 2007 – 3. 6. 2007
31. týden: 4. 6. 2007 – 10. 6. 2007
32. týden: 11. 6. 2007 – 17. 6. 2007
33. týden: 18. 6. 2007 – 24. 6. 2007
xxiii
34. týden: 25. 6. 2007 – 1. 7. 2007
35. týden: 2. 7. 2007 – 8. 7. 2007
dlouhodobý výpadek způsoben tím, že pacientka byla na dovolené a neměla aktigraf s sebou
36. týden: 9. 7. 2007 – 15. 7. 2007
pokračuje výpadek vlivem dovolené
37. týden: 16. 7. 2007 – 22. 7. 2007
38. týden: 23. 7. 2007 – 29. 7. 2007
39. týden: 30. 7. 2007 – 5. 8. 2007
40. týden: 6. 8. 2007 – 12. 8. 2007
xxiv
41. týden: 13. 8. 2007 – 19. 8. 2007
42. týden: 20. 8. 2007 – 26. 8. 2007
krátkodobý výpadek způsobený silnou depresí, výpadek pokračuje i další týden
43. týden: 27. 8. 2007 – 2. 9. 2007
pokračující výpadek vlivem deprese
44. týden: 3. 9. 2007 – 9. 9. 2007
45. týden: 10. 9. 2007 – 16. 9. 2007
46. týden: 17. 9. 2007 – 23. 9. 2007
47. týden: 24. 9. 2007 – 30. 9. 2007
xxv
48. týden: 1. 10. 2007 – 7. 10. 2007
49. týden: 8. 10. 2007 – 14. 10. 2007
50. týden: 15. 10. 2007 – 21. 10. 2007
51. týden: 22. 10. 2007 – 28. 2. 2007
52. týden: 29. 10. 2007 – 4. 11. 2007
53. týden: 5. 11. 2007 – 11. 11. 2007
54. týden: 9. 11. 2007 – 15. 11. 2007
Obr. 102D Celkový přehled sledovaného období pro Pacienta č. 1
xxvi
Pacient č. 4
1. týden: 24. 1. 2007 – 30. 1. 2007
2. týden: 31. 1. 2007 – 6. 2. 2007
3. týden: 7. 2. 2007 – 13. 2. 2007
4. týden: 14. 2. 2007 – 20. 2. 2007
5. týden: 21. 2. 2007 – 27. 2. 2007
6. týden: 28. 2. 2007 – 6. 3. 2007
7. týden: 7. 3. 2007 – 13. 3. 2007
xxvii
8. týden: 14. 3. 2007 – 20. 3. 2007
9. týden: 21. 3. 2007 – 27. 3. 2007
10. týden: 28. 3. 2007 – 3. 4. 2007
11. týden: 4. 4. 2007 – 10. 4. 2007
12. týden: 11. 4. 2007 – 17. 4. 2007
13. týden: 18. 4. 2007 – 24. 4. 2007
14. týden: 25. 4. 2007 – 1. 5. 2007
15. týden: 2. 5. 2007 – 8. 5. 2007
xxviii
16. týden: 9. 5. 2007 – 15. 5. 2007
17. týden: 16. 5. 2007 – 22. 5. 2007
18. týden: 23. 5. 2007 – 29. 5. 2007
19. týden: 30. 5. 2007 – 5. 6. 2007
20. týden: 6. 6. 2007 – 12. 6. 2007
21. týden: 13. 6. 2007 – 19. 6. 2007
22. týden: 20. 6. 2007 – 26. 6. 2007
23. týden: 27. 6. 2007 – 3. 7. 2007
xxix
24. týden: 4. 7. 2007 – 10. 7. 2007
Obr. 103D Celkový přehled sledovaného období pro Pacienta č. 4
xxx
Příloha E
Přehledné vykreslení vstupního aktigrafického záznamu pomocí programu Sleep
Analysis dodávaného firmou Cambridge Neurotechnology Ltd. k používaným
aktigrafům
Na každém obrázku je vykresleno dvacet po sobě jdoucích dní a jednotlivé obrázky na sebe
navazují. Ze záznamu je možno přehledně vyčíst, kdy a v kolik hodin měření začalo a jaká
byla vzorkovací frekvence vykresleného aktigramu. Pokud jsou dostupné informace o jménu,
věku a pohlaví pacienta, jsou zde zobrazeny i tyto informace. Program umožňuje nastavení
počtu zobrazených dní, času, v kterém měření začalo a počátečního data, od kterého má být
záznam vykreslen. Také je možné nastavit měřítko pro zobrazení zaznamenané aktivity.
Pacient č. 1
xxxi
xxxii
xxxiii
xxxiv
xxxv
xxxvi
xxxvii
xxxviii
xxxix
Obr. 104E Vykreslení aktigramu pomocí programu Sleep Analysis – Pacient č. 1
xl
Pacient č. 4
xli
xlii
xliii
xliv
xlv
Pacient č. 6
xlvi
xlvii
xlviii
xlix
l
Příloha F
Vykreslení extrahovaných příznaků, které nejsou uvedeny v kapitole 4
Pacient č. 1
Obr. 107F Vykreslená kombinace příznaků: Délka spánkové oblasti (Assumed sleep), Součet vzorků bez
pohybu (Number of minutes immobile), Suma doby spánku (Actual sleep time)
Obr. 108F Vykreslená kombinace příznaků: Průměrná délka segmentů klasifikovaných jako bdění (Mean
length of wake bouts), Průměrná délka segmentů klasifikovaných jako spánek (Mean length of sleep
bouts), Průměrná délka segmentů klasifikovaných jako klid (Mean length of immobility)
li
Obr. 109F Vykreslená kombinace příznaků: DFA Fast pro oblasti klasifikované jako bdění, DFA Slow
pro oblasti klasifikované jako bdění
Obr. 111F Vykreslená kombinace příznaků: Entropie pro oblasti klasifikované jako spánek, Entropie pro
oblasti klasifikované jako bdění, Entropie pro celý den
lii
Pacient č. 4
Obr. 112F Vykreslená kombinace příznaků: Časy usnutí (Sleep begin), Časy probuzení (Sleep end)
liii
Obr. 115F Vykreslená kombinace příznaků: Počet segmentů klasifikovaných jako bdění (Number of wake
Obr. 116F Vykreslená kombinace příznaků: Efektivita spánku (Sleep efficiency), Počet minut bez pohybu
Obr. 117F Vykreslená kombinace příznaků: Součet aktivity v dané oblasti (Total activity score), Průměrná aktivita v dané oblasti (Mean activity score), Průměrná aktivita na počet aktivních vzorků (Mean score
in active period)
liv
Obr. 119F Vykreslená kombinace příznaků: Poměr segmentů klasifikovaných jako klid, které trvají 1
minutu (Immobility of 1 minute), Fragmentace spánku (Fragmentation index)
Pacient č. 6
lv
Obr. 122F Vykreslená kombinace příznaků: Počet segmentů klasifikovaných jako bdění (Number of wake
Obr. 123F Vykreslená kombinace příznaků: Součet aktivity v dané oblasti (Total activity score), Průměrná aktivita v dané oblasti (Mean activity score), Průměrná aktivita na počet aktivních vzorků (Mean score
in active period)
lvi
Obr. 125F Vykreslená kombinace příznaků: Poměr segmentů klasifikovaných jako klid, které trvají 1
minutu (Immobility of 1 minute), Fragmentace spánku (Fragmentation index)
Obr. 126F Vykreslená kombinace příznaků: DFA Fast pro oblasti klasifikované jako bdění, DFA Slow
pro oblasti klasifikované jako bdění
lvii
Obr. 128F Vykreslená kombinace příznaků: Entropie pro oblasti klasifikované jako spánek, Entropie pro
oblasti klasifikované jako bdění, Entropie pro celý den
lviii
Příloha G
Evropské patenty firmy Cambridge Neurotechnology Ltd.
lix
lx
Příloha H
Přehled vybraných článků z rešeršní studie na téma aktigrafie
[1] The role of actigraphy in the study of sleep and circadian rhythms
Ancoli-Israel S, Cole R, Alessi C, Chambers M, Moorcroft W, Pollak CP
Department of Psychiatry, University of California, San Diego and Veterans Affairs San
Diego Healthcare System, 92161, USA, 2003 May
PMID: 12749557 [PubMed - indexed for MEDLINE]
Abstract: In summary, although actigraphy is not as accurate as PSG for determining some sleep
measurements, studies are in general agreement that actigraphy, with its ability to record continuously
for long time periods, is more reliable than sleep logs which rely on the patients' recall of how many
times they woke up or how long they slept during the night and is more reliable than observations
which only capture short time periods. Actigraphy can provide information obtainable in no other
practical way. It can also have a role in the medical care of patients with sleep disorders. However, it
should not be held to the same expectations as polysomnography. Actigraphy is one-dimensional,
whereas polysomnography comprises at least 3 distinct types of data (EEG, EOG, EMG), which
jointly determine whether a person is asleep or awake. It is therefore doubtful whether actigraphic data
will ever be informationally equivalent to the PSG, although progress on hardware and data processing
software is continuously being made. Although the 1995 practice parameters paper determined that
actigraphy was not appropriate for the diagnosis of sleep disorders, more recent studies suggest that
for some disorders, actigraphy may be more practical than PSG. While actigraphy is still not appropriate for the diagnosis of sleep disordered breathing or of periodic limb movements in sleep, it is highly
appropriate for examining the sleep variability (i.e., night-to-night variability) in patients with insomnia. Actigraphy is also appropriate for the assessment of and stability of treatment effects of anything
from hypnotic drugs to light treatment to CPAP, particularly if assessments are done before and after
the start of treatment. A recent independent review of the actigraphy literature by Sadeh and Acebo
reached many of these same conclusions. Some of the research studies failed to find relationships between sleep measures and health-related symptoms. The interpretation of these data is also not clearcut. Is it that the actigraph is not reliable enough to the access the relationship between sleep changes
and quality of life measures, or, is it that, in fact, there is no relationship between sleep in that population and quality of life measures? Other studies of sleep disordered breathing, where actigraphy was
not used and was not an outcome measure also failed to find any relationship with quality of life. Is it
then the actigraph that is not reliable or that the associations just do not exist? The one area where
actigraphy can be used for clinical diagnosis is in the evaluation of circadian rhythm disorders. Actigraphy has been shown to be very good for identifying rhythms. Results of actigraphic recordings
correlate well with measurements of melatonin and of core body temperature rhythms. Activity records also show sleep disturbance when sleep is attempted at an unfavorable phase of the circadian
cycle. Actigraphy therefore would be particularly good for aiding in the diagnosis of delayed or advanced sleep phase syndrome, non-24-hour-sleep syndrome and in the evaluation of sleep disturbances
in shift workers. It must be remembered, however, that overt rest-activity rhythms are susceptible to
various masking effects, so they may not always show the underlying rhythm of the endogenous circadian pacemaker. In conclusion, the latest set of research articles suggest that in the clinical setting,
actigraphy is reliable for evaluating sleep patterns in patients with insomnia, for studying the effect of
treatments designed to improve sleep, in the diagnosis of circadian rhythm disorders (including shift
work), and in evaluating sleep in individuals who are less likely to tolerate PSG, such as infants and
demented elderly. While actigraphy has been used in research studies for many years, up to now,
methodological issues had not been systematically addressed in clinical research and practice. Those
lxi
issues have now been addressed and actigraphy may now be reaching the maturity needed for application in the clinical arena.
[2] The role of actigraphy in sleep medicine
Sadeh A, Acebo C
Department of Psychology, Tel Aviv University, Tel Aviv, Israel, 2002 April
Sleep Medicine Reviews, Volume 6, Issue 2, Pages 113-124
Elsevier Article Locator
Abstract: During the last decade actigraphy (activity-based monitoring) has become an essential tool
in sleep research and sleep medicine. The validity, reliability and limitations of actigraphy for documenting sleep-wake patterns have been addressed. Normative data on sleep-wake patterns across development have been collected. Multiple studies have documented the adequacy of actigraphy to distinguish between clinical groups and to identify certain sleep-wake disorders. Actigraphy has also
been shown to be effective in documenting the effects of various behavioral and medical interventions
on sleep-wake patterns. Actigraphy is less useful for documenting sleep-wake in individuals who have
long motionless periods of wakefulness (e.g. insomnia patients) or who have disorders that involve
altered motility patterns (e.g. sleep apnea). Potential users should be aware of a number of pitfalls of
actigraphy: (1) validity has not been established for all scoring algorithms or devices, or for all clinical
groups; (2) actigraphy is not sufficient for diagnosis of sleep disorders in individuals with motor disorders or high motility during sleep; (3) the use of computer scoring algorithms without controlling for
potential artifacts can lead to inaccurate and misleading results.
[3] Practice Parameters for the Role of Actigraphy in the Study of Sleep and Circadian
Rhythms: An Update for 2002
Michael Littner MD, Clete A. Kushida MD, PhD, W. McDowell Anderson MD, Dennis
Bailey DDS, Richard B. Berry MD, David G. Davila MD, Max Hirshkowitz PhD, Sheldon
Kapen MD, Milton Kramer MD, Daniel Loube MD, Merrill Wise MD, Stephen F. Johnson MD
SLEEP, 2003; 26(3):337-41
Abstract: Actigraphy is a method used to study sleep-wake patterns and circadian rhythms by assessing movement, most commonly of the wrist. These evidence-based practice parameters are an
update to the Practice Parameters for the Use of Actigraphy in the Clinical Assessment of Sleep Disorders, published in 1995. These practice parameters were developed by the Standards of Practice
Committee and reviewed and approved by the Board of Directors of the American Academy of Sleep
Medicine. Recommendations are based on the accompanying comprehensive review of the medical
literature regarding the role of actigraphy, which was developed by a task force commissioned by the
American Academy of Sleep Medicine. The following recommendations serve as a guide to the appropriate use of actigraphy. Actigraphy is reliable and valid for detecting sleep in normal, healthy populations, but less reliable for detecting disturbed sleep. Although actigraphy is not indicated for the
routine diagnosis, assessment, or management of any of the sleep disorders, it may serve as a useful
adjunct to routine clinical evaluation of insomnia, circadian-rhythm disorders, and excessive sleepiness, and may be helpful in the assessment of specific aspects of some disorders, such as insomnia and
restless legs syndrome/periodic limb movement disorder. The assessment of daytime sleepiness, the
demonstration of multiday human-rest activity patterns, and the estimation of sleep-wake patterns are
potential uses of actigraphy in clinical situations where other techniques cannot provide similar information (e.g., psychiatric ward patients). Superiority of actigraphy placement on different parts of the
body is not currently established. Actigraphy may be useful in characterizing and monitoring circadian
rhythm patterns or disturbances in certain special populations (e.g., children, demented individuals),
and appears useful as an outcome measure in certain applications and populations. Although actigra-
lxii
phy may be a useful adjunct to portable sleep apnea testing, the use of actigraphy alone in the detection of sleep apnea is not currently established. Specific technical recommendations are discussed, such
as using concomitant completion of a sleep log for artifact rejection and timing of lights out and on;
conducting actigraphy studies for a minimum of three consecutive 24-hour periods; requiring raw data
inspection; permitting some preprocessing of movement counts; stating that epoch lengths up to 1
minute are usually sufficient, except for circadian rhythm assessment; requiring interpretation to be
performed manually by visual inspection; and allowing automatic scoring in addition to manual scoring methods.
lxiii
Příloha I
Přehled vybraných článků z rešeršní studie na téma bipolární porucha
[1] Suicide risk factors and suicide vulnerability in various major psychiatric disorders
Modai, I.; Kuperman, J.; Goldberg, I.; Goldish, M.; Mendel, S. Sha'ar Menashe
Mental Health Center, Inst. of Psychiatric Studies, Hadera, Israel
Medical Informatics and the Internet in Medicine , vol.29, no.1 , Page: 65-74
Publisher: Taylor & Francis , March 2004
Abstract: There are many known suicide risk factors (SRF) common to major psychiatric disorders,
but their impact on suicide vulnerability remains unclear. We used FALCON (fuzzy adaptive learning
control network) to evaluate those impacts. Staff psychiatrists completed computerized suicide risk
scales (CSRS-III) including 21 SRF for 612 patients. The diagnoses were schizophrenia, schizoaffective, major depression, anxiety disorder, bipolar affective disorder, personality disorder, organic
brain syndromes, delusional disorder and other diagnoses. An optimal trained FALCON was obtained
by running the network 10 times with 552 CSRS-III, validating with the balance. Medically serious
suicide attempts (the vulnerability factor) served as the target variable. The significance of each variable in the trained network was determined by the magnitude of the change in output as affected by the
consecutive change in all points of the variable input, then calculating the mean variance of all cases.
The direction of influence was determined by the input on the entire scale of each variable, point by
point, across all cases, then calculating the mean of all outputs. The impact and direction of influence
of the various SRF differed for each diagnosis. It is concluded that evaluation of the individual patient
with his/her specific impact profile, determination of direction of influence of the corresponding SRF's
may assist in increasing the accuracy of individual suicide risk assessment.
[2] Agreement between face-to-face and telephone-administered mood ratings in patients with rapid cycling bipolar disorder
Feldman-Naim, S., Myers, F.S., Clark, C.H., Turner, E.H., and Leibenluft, E.
Psychiatry Research
J. Affect Disorder,December 2004; 83(2-3):199-206
Abstract: We examined the reliability and level of agreement between the telephone and face-to-face
administration of two mood-rating scales (HIGH-SAD and SIGH-SAD) in patients with rapid cycling
bipolar disorder (RCBD). Two clinicians administered the HIGH-SAD and SIGH-SAD to 14 outpatients with RCBD. Patients received consecutive phone and face-to-face mood ratings in a randomized
order. Using a paired t-test, no significant differences were found when comparing HIGH-SAD and
SIGH-SAD scores administered face-to-face and over the phone. There was a high correlation between the face-to-face and phone administration of both scales as measured by intraclass correlation
(r=0.94 for SIGH-SAD; r=0.85 for HIGH-SAD). Our results support the use of phone-administered
mood ratings as a reliable and convenient method to monitor patients with RCBD.
[3] Expressed emotion versus relationship duality variables in the prediction of recurrence in bipolar patiens
Yan, LJ.; Hammen, C.; Cohen, AN.; Daley, SE.
Department of Psychology, University of California, Los Angeles, 1285 Franz Hall, PO
Box 951563, 405 Hilgard Avenue, Los Angeles, CA 90095, USA
lxiv
Psychother Psychosom, 1995; 64(3-4):131-40
Abstract: The expressed emotion (EE) construct has predicted clinical outcomes in schizophrenia and
depression, but few studies have been conducted with bipolar patients. Moreover, there is a particular
dearth of information regarding the prediction of depressive versus manic episodes in bipolar patients.
Questions also remain about the utility of EE compared to other variables (perceived criticism, relationship negativity, and chronic strain in close relationships) that more directly evaluate interpersonal
stress and about specific predictions of mania or depression. METHODS: Forty-seven outpatients with
bipolar I disorder participated in a 1-year longitudinal study. A close collateral of the patient completed the Five Minute Speech Sample (FMSS) to assess EE, and participants completed perceived criticism and negativity ratings of collaterals. Clinical outcomes and chronic interpersonal stress were
assessed by interview at 3-month intervals. RESULTS: High EE predicted depressive, but not manic
recurrence. Other variables of close interpersonal relationships were not significant predictors of recurrence. LIMITATIONS: Participants nominated collaterals, and those who did not have such a confidant were excluded. CONCLUSIONS: The FMSS was sensitive to even mild negativity by the collateral that predicted later depressive episodes. This is the first study to demonstrate polarity-specific
effects of EE on the prediction of recurrence in bipolar disorder.
[4] Beyond the Hamilton depression scores in long-term treatment of manic-melancholic
pacients: prediction of recurrence of depression by quality of life measuremets
Thunedborg, K.; Black, CH.; Bech, P.
Frederiksborg General Hospital, Psychiatric Institute, Hillerod, Denmark
Bipolar disorder, October 2006; 8(5 Pt 2):566-75
Abstract: This study should be considered as a pilot study to investigate the applicability and validity
of quality of life scales in manic-melancholic patients in long-term, prophylactic treatment. The quality of life instruments included the SmithKline Beecham Quality of Life (SBQOL) scale, the PCASEE
questionnaire (a modified paper-and-pencil version of the computerized SBQOL), the Psychological
General Well-Being (PGWB) scale, and the Medical Outcomes Study (SF-36) scale. The patients (n =
23) fulfilled the DSM-IV criteria of bipolar or recurrent depressive disorders. They were investigated
in a symptom-free period (HAM-D < 14) and again 4 weeks later. The results showed that the quality
of life scales had an adequate applicability and internal validity. Furthermore, at first visit a factor
analysis identified two factors of which the quality of life scales loaded on the first factor (positive
well-being) and the Hamilton scales loaded on the second factor (negative well-being). At the second
visit, only one, general, factor emerged, because some of the patients had relapsed. Those patients with
a relapse had low quality of life scores at the first visit indicating that the quality of life scales can
predict recurrence of depression.
lxv
Seznam použité literatury
[1] Španiel, Filip: ITAREPS: Technologie ve službách prevence relapsu psychózy, článek
z časopisu Psychiatria pre prax 4/2006 (online)
http://www.solen.sk/index.php?page=pdf_view&pdf_id=183&magazine_id=2
[2] Španiel, Filip a kol.: ITAREPS: Information Technology Aided Relapse Prevention Programme in Schizophrenia, Journal of Schizophrenia Research, 4. 10. 2007
[3] Andres, Martin: Bipolární afektivní poruchy (online)
http://www.stopstigmapsychiatrie.cz/maniodeprese/symptomy.html
[4] National Institute of Health: Bipolar disorder, Publication No. 02-3679, Printed 2001,
Reprinted September 2002
[5] Littner, Michael: Practice parameters for the role of actigraphy in the study of sleep and
circadian rhythms, An American Academy of Sleep Medicine Report, 2003
[6] Melecký, Roman: Monitorování pohybové aktivity pomocí aktigrafie, Bakalářská práce,
České vysoké učení technické v Praze, Fakulta elektrotechnická, 2006
[7] Vaseghi, Saeed V.: Advanced Digital Signal Processing and Noise Reduction, John Wiley,
2000
[8] Glenn, Tasha: Approximate entropy of self-reported mood prior to episodes in bipolar
disorder, Original Article in Bipolar Disorder, 2006
[9] Pincus, Steven: Approximate entropy as a measure of irregularity for psychiatric serial
metrics, Review Article in Bipolar Disorder, 2006
[10] Pincus, Steven: Approximate entropy as a measure of system complexity, Proceedings of
the National Academy of Science of the USA, 1991, Mathematics
[11] Glossary of terms used in time series analysis of cardiovascular data: Approximate entropy (on line)
http://www.cbi.dongnocchi.it/glossary/ApEn.html
[12] Moody, George: Approximate entropy (on line)
http://www.physionet.org/physiotools/ApEn/
[13] Kadous, Mohammed W.: A General Architecture for Supervised Classification of Multivariate Time Series, University of New South Wales, Australia, říjen 1998
[14] Chu, Selina: Iterative Deepening Dynamic Time Warping for Time Series, tento článek
vyšel v konferenci Society for Industrial and Applied Mathematics (on line)
http://www.siam.org/meetings/sdm02/proceedings/sdm02-12.pdf
lxvi
[15] Keogh, Eamonn: Derivate Dynamic Time Warping, tento článek vyšel v konferenci Society for Industrial and Applied Mathematics (on line)
http://www.siam.org/meetings/sdm01/pdf/sdm01_01.pdf
[16] Frau, David: Pattern Matching Techniques (Dynamic Time Warping), Polytechnic University of Valencia, Spain
[17] Berndt, D. & Clifford, J: Using dynamic time warping to find patterns in time series,
AAAI-94 Workshop on Knowledge Discovery in Databases, 1994
[18] Aach, J. and Church, G.: Aligning gene expression time series with time warping algorithms, Bioinformatics, Volume 17, pp 495-508, 2001
[19] Kassidas, A.: Synchronization of Batch Trajectories Using Dynamic Time Warping,
American Institute of Chemical Engineers, Volume 44, pp 864-874, 1998
[20] Gavrila, D. M. & Davis, L. S.: Towards 3-d model-based tracking and recognition of
human movement: a multi-view approach, International Workshop on Automatic Faceand Gestore-Recognition, IEEE Computer Society, 1995
[21] Kovaci-Vajna, Z. M.: A Fingerprint Verification Systém Based on Triangular Matching
and Dynamic Time Warping, In IEEE Transactions on Pattern Analysis and Machina Intelligence, Volume 22, Numer 11, pp 1266-1276, 2000
[22] Caiani, E. G.: Warped-averadge template technique to track on a cycle-by-cycle basis the
cardiac filling phases on left ventricular volume, IEEE Computers in Cardiology, Volume
25, 1998
[23] Oates, T: A Metod for Clustering the Experiences of a Mobil Robot that Accords with
Human Judgments, Proc. of the 17th National Corference on AI, pp 846-851, 2000
[24] Kazbunda, Radek: Sleep Stages & Apnea Estimation using Electrocardioram signal,
Diplomová práce, České vysoké učení technické v Praze, Fakulta elektrotechnická, 2007
[25] Morren, Geert: Sensitivity of detrended fluctuation analysis applied to heart rate variability of preterm newborns, Proceedings of the 2005 IEEE, 2005
[26] Mucha, Karel: Analýza spánku z EKG pomocí DFA, Bakalářská práce, České vysoké
učení technické v Praze, Fakulta elektrotechnická, 2006
[27] Salvador, Stan & Chan, Philip: FastDTW: Toward Accurate Dynamic Time Warping in
Linear Time and Space, Dept. Of Computer Sciences, Florida Institute of Technology,
Melbourne
lxvii

Příloha A - České vysoké učení technické v Praze

Transkript

Podobné dokumenty

Na tomto miste bude oficiální zadanizadani

vi. konference neuropsychiatrického fóra

diplomka.

Obalka - 4 - 2012.indd

NPF - zápis ze schůzek 28

Konferencia Psychiatria a spoločnosť Výzvy v psychiatrii Cyril Höschl

Bakalářská práce - České vysoké učení technické v Praze

SOMNOtouch™NIBP