Automated Recognition of Sleep Stages Using Electroencephalograms

The assessment of different sleep stages and their disorders in diseases is an important part of telematic medicine. With an electroencephalogram, the different stages of sleep can be monitored and classified with respect to brain activity. By means of modern data management such as the patient monitor ixTrend, for example, the data can be recorded for long sleep phases and evaluated by a computer using appropriate software, such as Dataplore. Here, a new mathematical model for the automated classification of sleep stages is introduced. The statistical method of autocorrelation, applied to six known sleep stages, was extended by one new class for unknown signals. Due to this new class, it is not necessary to sort all recorded EEG signals into one of the known classes, thereby, minimising the probability of errors. Further, the dependence of the error probability on the duration of the analysed EEG signal was assessed. A minimal error probability of pmin = 0.15 was detected. Exemplary data for one patient are reported. Zusammenfassung Die Beurteilung der verschiedenen Schlafphasen und deren Störungen bei Erkrankungen spielt eine wichtige Rolle in der telematischen Medizin. Mit einem Elektroenzephalogramm können die Schlafphasen überwacht und in verschiedene Klassen der Hirnaktivität eingeteilt werden. Durch moderne Methoden des Datenmanagements, wie etwa den Patientenmonitor ixTrend, können die Daten über längere Schlafphasen aufgezeichnet und am Computer mit geeigneter Software, etwa Dataplore, analysiert werden. Hier wird ein neues mathematisches Modell zur automatischen Klassifizierung der Schlafphasen vorgestellt. Die statistische Methode der Autokorrelation, angewendet auf sechs bekannte Schlafphasen, wurde erweitert um eine neue Klasse nicht zuordenbarer Muster. Durch diese neue Klasse wird es vermieden, jedes aufgezeichnete EEGMuster in eine der bekannten Klassen hineinzuzwingen. Dadurch wird der Fehler bei der Zuordnung verringert. Weiter wird der Einfluss der Länge des analysierten EEG auf die Fehlerquote der Zuordnung untersucht. Es zeigte sich eine minimale Fehlerquote von pmin = 0,15. Es werden beispielhafte Daten eines Patienten gezeigt.