wakefulness

Computer-based analysis of continuous non-invasive blood pressure and heart rate variability-methodology and normal values during wakefulness and sleep.

Computer-basierte Analyse der kontinuierlichen nicht-invasiven Blutdruck und Herzfrequenz-Variabilität-Methodik und normale Werte im Wachzustand und Schlaf.

The features to be classified were based on functional connectivity between functionally defined regions of interest (ROIs). This choice was suggested by recent findings demonstrating that functional ROI selection outperforms anatomical selection for functional connectivity based fMRI classification (Shirer et al., 2011). First, an independent component analysis (ICA) of the concatenated periods of wakefulness in all datasets was performed using MELODIC FSL (www.fmrib.ox.ac. uk/fsl/) (Beckmann and Smith, 2006). Components reproducing 6 well established resting state networks (medial and lateral visual, auditory, somato-sensory, default mode and executive control) were selected. The selection of these RSN obeys reproducibility criteria, an important requirement for the generalizability of the method.

Die Features zu klassifizierenden stützten sich auf funktionelle Konnektivität zwischen funktional definierte Regionen von Interesse (ROIs). Diese Wahl wurde angeregt durch neuere Befunde zeigen, dass funktionale ROI Auswahl übertrifft anatomische Auswahl für funktionelle Konnektivität auf der Grundlage fMRI-Klassifikation (Shirer Et Al., 2011). Erstens, eine unabhängige Komponentenanalyse (ICA) der verketteten Perioden Wachheit in alle Datasets durchgeführt MELODIC FSL (www.fmrib.ox.ac. UK/LFS /) (Beckmann und Smith, 2006). Komponenten reproduzieren 6 gut etablierten Zustand Netzwerke (medialen und lateralen visuelle, auditive, ruhelosigkeit Somato-sensorische, Standard-Modus und Executive-Steuerelement) ausgewählt wurden. Die Auswahl an diesen RSN gehorcht Reproduzierbarkeit Kriterien, eine wichtige Voraussetzung für die Generalizability der Methode.

Lack of adequate vigilance control could result in confounds when comparing populations (e.g. patients vs. healthy controls) with different sleep patterns (for instance, hypersomnia is prevalent in many psychiatric illnesses (Ford and Kamerow, 1989)). In the present work we have shown that the association of specific functional connectivity patterns with each sleep stage allows to distinguish between resting wakefulness, N1, N2 and N3 sleep, facilitating fMRI based vigilance control in resting state experiments.

Mangel an angemessenen Wachsamkeit Kontrolle könnte in confounds führen beim Vergleich Populationen (zB Patienten vs gesunde Kontrollen) mit verschiedenen Schlaf-Muster (zum Beispiel, ist Hypersomnie verbreitet in vielen psychiatrischen Erkrankungen (Ford und Kamerow, 1989)). In der vorliegenden Arbeit haben wir gezeigt, dass die Assoziation von spezifischen funktionellen Konnektivität Muster mit jedem Schlafstadium zwischen ruhenden Wachheit, N1, N2 und N3 Schlaf zu unterscheiden, die Erleichterung fMRI basierte Wachsamkeitskontrolle im Ruhezustand Experimente.

While more demanding, our implementation of sleep staging using multiclass SVM provides benefits over a binary wakefulness– NREM sleep (N1, N2 and N3) classifier. First, it offers the specificity required to make sleep itself the subject of study, allowing researchers to study phenomena specific to different sleep stages. Second, if the method is implemented to decide whether resting state fMRI data has to be rejected due to sleep confounds, sleep staging allows a more informed decision. For instance, examination of the confusion matrices presented in Fig. 3B suggests that misclassifications between N1 sleep and wakefulness are more likely to occur than misclassifications of wakefulness as deeper sleep stages.

Während mehr anspruchsvoll, bietet unsere Implementierung des Schlafes Inszenierung mit Multiclass SVM Vorteile gegenüber einer binären Wacherhaltung NREM Schlaf (N1, N2 und N3) Klassifikator. Erstens bietet es die Spezifität erforderlich, um Schlaf selbst das Thema der Studie, so dass die Forscher Phänomene individuell für die verschiedenen Schlafstadien zu studieren. Zweitens, wenn das Verfahren implementiert, um zu entscheiden, ob Ruhezustand fMRI Daten abgelehnt wegen confounds eingeschläfert werden muss, erlaubt Schlaf Inszenierung eine fundierte Entscheidung. Zum Beispiel, Prüfung der Verwechslungsgefahr Matrizen in Abb. 3B zeigt, dass Fehlklassifikationen zwischen N1 Schlaf und Wachsein häufiger auftreten als Fehlklassifikationen von Wachheit als tiefere Schlafphasen sind.

Regarding the technical implementation, we found that generally RBF kernels with 1 vs 1 multiclassification slightly outperform polynomial kernels and DAG. The larger changes in accuracy, however, are related to the choice of the window length during which functional connectivities are computed. For the testing sets with a mixture of sleep and wakefulness, best classification performance is obtained for short window lengths, on the other hand, classification performance improves with the window length for the wakefulness only dataset. There is a trade-off between better estimates of functional connectivity (longer windows) and an increased number of training examples (shorter windows yield a larger number of training examples).

Bei der technischen Umsetzung haben wir festgestellt, dass in der Regel RBF-Kernels mit 1 vs 1 multiclassification leicht übertreffen Polynom Kernel und DAG. Die größere Änderungen in der Genauigkeit, jedoch auf die Wahl der Fensterlänge in dem funktionellen Verknüpfungen berechnet passt. Für die Prüfung setzt mit einer Mischung aus Schlaf und Wachsein, beste Einstufung Leistung für kurze Längen Fenster erhalten wird, auf der anderen Seite, verbessert die Leistung mit der Einstufung Fenster Länge für das Wachsein nur Datensatz. Es besteht ein Trade-off zwischen bessere Einschätzung der funktionellen Konnektivität (mehr Fenster) und einer erhöhten Anzahl von Trainings-Beispiele (kürzere Fenster ergeben eine größere Anzahl von Trainings Beispiele).

However, the relatively long lengths used for functional connectivity estimation may be a limitation in datasets with frequent vigilance switches. Also, as discussed above, the high accuracies observed for the testing set of pure wakefulness suggest that these vigilance switches have a negative impact on performance. This limitation is likely to be reduced if subjects reach themore stable deeper sleep stages, which have an average longer duration (last column of Table 2).

Jedoch können die relativ langen Längen für funktionelle Konnektivität Schätzung verwendeten eine Einschränkung in Datensätze mit häufigen Wachsamkeit Schalter sein. Auch, wie oben erörtert, weisen die hohen Genauigkeiten für die Prüfung Satz von reinen Wachheit beobachtet, dass diese Schalter Wachsamkeit sich negativ auf die Leistung haben. Diese Beschränkung wird wahrscheinlich verringert, wenn Probanden themore stabilen tieferen Schlaf Stufen, die einen durchschnittlichen längere Laufzeit haben (letzte Spalte der Tabelle 2) erreicht werden.

"If you have a golf ball sized consciousness, when you read a book you'll have a golf ball sized understanding, when you look out a golf ball sized awareness and when you wake up in the morning a golf ball sized wakefulness."

"Wenn Sie eine golfballgroße Bewusstsein haben, wenn Sie ein Buch zu lesen haben Sie eine golfballgroße Verständnis, wenn Sie eine golfballgroße Bewusstsein sehen und wenn Sie aufwachen am Morgen ein golfballgroße Wachheit."

Wakefulness

Bewusstseinszustand