SummaryQUISI has been developed as a one-channel, ambulatory EEG recording device with 3 electrodes placed on the forehead close to Fp1, Fz and Fp2. While Fz serves as ground electrode, the channel Fp1−Fp2 was recorded, filtered and analyzed by Fourier-Transform with the subsequent determination of power spectrum estimates. These variables served as input variables for neural network technique classification, taking 12 input variables, 2 hidden layers and 7 outcome variables for 0=Movement Time, 1=Wake, 2=REM, 3=S1, 4=S2, 5=S3 and 6=S4. Out of 118 primary values, 12 were selected using evolutionary and genetic algorithms. 8 neural networks were established using 8 different patients. Every 30 s sleep EEG epoch (segment) was subsequently classified 8 times. The final decision for each epoch of 30 s was made taking the median of the 8 classifications. Subsequently smoothing rules were applied in analogy to the Rechtschaffen and Kales smoothing rules. The analysis is fully automated. There is no artefact rejection and no removal of any sleep epoch. Once the rule was established, it was validated by forward classification of 38 sleep disturbed patients, none of whom had been used for the establishment of the classification rule. Every patient had been recorded with polysomnography (PSG) as well according to the standards of the German Sleep Research Society and with the QUISI equipment. The results show an acceptable agreement between PSG with visual scoring and QUISI with automatic scoring. While SPT, TST and SOL showed high correlations, REM and SWS were generally overestimated. Subsequently we evaluated the pathologies in QUISI and PSG. Out of the 38 patients, only 1 patient had a normal profile both in QUISI and PSG. Out of the 37 patients with pathologies, 17 showed exactly the same pathologies in the PSG and QUISI profile. In 1 patient PSG and QUISI showed completely different pathologies. In 10 patients QUISI did not find at least one pathology seen in the PSG, in 4 patients QUISI found more pathologies than were seen in the PSG, in 5 patients both applied. In its current version QUISI often over-estimates SWS and REM in certain patients, as known from other automated scoring methods described earlier in the literature. QUISI is considered as the beginning of a development with the aim of obtaining an affordable and easily self-applicable sleep EEG recording device, which can be applied before a therapy control and after adminssion to a sleep laboratory. QUISI however can in no way replace sleep laboratory diagnostics.ZusammenfassungQUISI ist ein einkanaliges, ambulant anwendbares Gerät zur Aufzeichnung und automatischen Auswertung von Schlaf-EEG. Seine erste Validierung erfolgte an 38 Patienten mit Schlafstörungen. Drei Elektroden nahe den Punkten Fp1, Fz und Fp2 werden auf der Stirn angebracht, Fz dient als Erdungselektrode. Der Kanal Fp1−Fp2 wird in Elektrodennähe verstärkt, gefiltert und einer Fourier-Transformation unterzogen. Anschließend werden Power Spektralwerte errechnet. Diese Powerschätzer dienen als Eingangsvariablen für die Schlafstadien-Klassifikation mit Neuronalen Netzen, wobei 12 Eingangsvariablen, 2 Hidden Layers und 7 Ausgangsvariablen vorgegeben wurden: 0=Movement Time, 1=Wake, 2=REM, 3=S1, 4=S2, 5=S3 and 6=S4. Mit Hilfe von evolutionären und genetischen Algorithmen wurden aus 118 Primärvariablen 12 Variablen für die Klassifikation ausgewählt. Mit den parallel aufgenommenen Daten (PSG+QUISI) von acht Patienten (d.h. acht verschiedenen Schlaf-EEG Typen) wurden acht verschiedene Klassifikationsregeln entwickelt. Jede Epoche Schlaf EEG von 30 s wurde achtmal klassifiziert. Dann wurde der Median aus diesen 8 Klassifikationen gebildet und so die Klasse für die Epoehe definiert. Anschließend wurden Glättungsalgorithmen in Analogie zu denen von Rechtschaffen und Kales ausgeführt. Die Analyse ist vollautomatisch. Es gibt keinerlei Artefakterkennung des Schlaf EEG, kein Segment wird von der Analyse ausgeschlossen. Nachdem dieses System entwickelt war, wurde es an 38 schlafgestörten Patienten aus unserer Klinik erprobt. Es handelt sich um eine Vorwärtsklassifikation. Keiner der 38 Patienten wurde benutzt, um die Regeln aufzustellen oder zu modifizieren. Alle Patienten wurden simultan polysomnographisch nach den Empfehlungen der Deutschen Gesellschaft für Schlafforschung und Schlafmedizin abgeleitet, und es wurde jeweils parallel mit QUISI aufgezeichnet. Die Ergebnisse zeigen eine akzeptable Übereinstimmung zwischen beiden Methoden in SPT, TST und SOL, während REM und SWS überschätzt werden. Anschließend haben wir die von der Norm abweichenden Befunde in den Schlaf-EEG Profilen, denen wir pathologischen Wert beimaßen, separat für die PSG und für QUISI visuell beurteilt und verglichen. Das Ergebnis dieses Vergleiches: Von den 38 Patienten hatte nur einer ein völlig normales Profil, sowohl in der PSG und als auch in QUISI. 37 Patienten hatten als pathologisch bewertete Veränderungen in der PSG und in QUISI. Von diesen 37 Patienten zeigten 17 identische pathologische Zeichen und 1 Patient völlig unterschiedliche. Bei 10 Patienten fand QUISI nicht alle pathologischen Zeichen der PSG, bei 4 Patienten fand QUISI mehr pathologische Zeichen, bei 5 Patienten kam beides vor. Von den insgesamt 38 Patienten gab es nur eine wirkliche Fehlklassifikation. QUISI wird als der Beginn einer Entwicklung betrachtet mit dem Ziel, ein preiswertes, selbst applizierbares Gerät zu erhalten, mit dem Arzt und Patient im Vorfeld der klinischen Diagnostik und ggf. zur therapeutischen Nachkontrolle ein Schlaf-EEG-Profil erstellen können. QUISI kann und soll nicht das Schlaflabor ersetzen.
[1]
A. Rechtschaffen,et al.
A manual of standardized terminology, technique and scoring system for sleep stages of human subjects
,
1968
.
[2]
E. Flooh,et al.
Computer evaluation of sleep.
,
1986,
European neurology.
[3]
H Lechner,et al.
[EEG night sleep recording: evaluation with automatic data analysis].
,
1982,
EEG-EMG Zeitschrift fur Elektroenzephalographie, Elektromyographie und verwandte Gebiete.
[4]
P. Cowen,et al.
Sleep stability with home sleep recording and automatic sleep stage analysis.
,
1990,
Sleep.
[5]
G. Marsh,et al.
Ambulatory sleep monitoring with the Oxford-Medilog 9000: technical acceptability, patient acceptance, and clinical indications.
,
1987,
Sleep.
[6]
C. Crawford,et al.
Sleep recording in the home with automatic analysis of results.
,
1986,
European neurology.
[7]
T Penzel,et al.
Integrated sleep analysis, with emphasis on automatic methods.
,
1991,
Epilepsy research. Supplement.
[8]
E. Rodin,et al.
Epilepsy, sleep, and sleep deprivation
,
1991
.
[9]
W. Herrmann,et al.
The future of computer-assisted investigation of the polysomnogram: sleep microstructure.
,
1996,
Journal of clinical neurophysiology : official publication of the American Electroencephalographic Society.
[10]
R. Stickgold,et al.
Nightcap measurement of sleep quality in self-described good and poor sleepers.
,
1994,
Sleep.
[11]
L Höller,et al.
Comparison of visual analysis and automatic sleep stage scoring (Oxford Medilog 9000 System).
,
1986,
European neurology.
[12]
E. Sforza,et al.
Automatic Oxford-Medilog 9200 sleep staging scoring: comparison with visual analysis.
,
1996,
Journal of clinical neurophysiology : official publication of the American Electroencephalographic Society.
[13]
G. Marsh,et al.
Two methods of scoring sleep with the Oxford Medilog 9000: comparison to conventional paper scoring.
,
1989,
Sleep.
[14]
A A Borbély,et al.
Recording the sleep EEG with periorbital skin electrodes.
,
1995,
Electroencephalography and clinical neurophysiology.
[15]
J Hasan,et al.
Past and future of computer-assisted sleep analysis and drowsiness assessment.
,
1996,
Journal of clinical neurophysiology : official publication of the American Electroencephalographic Society.
[16]
W. Herrmann,et al.
On the Use of Neural Network Techniques to Analyze Sleep EEG Data
,
1997,
Neuropsychobiology.
[17]
Irena Koprinska,et al.
Sleep classification in infants by decision tree-based neural networks
,
1996,
Artif. Intell. Medicine.
[18]
B. Kemp,et al.
A proposal for computer‐based sleep/wake analysis
,
1993,
Journal of sleep research.
[19]
W. Herrmann,et al.
Kritische Bemerkungen zu den Regeln von Rechtschaffen und Kales über die visuelle Auswertung von EEG-Schlafableitungen
,
1982
.
[20]
S. Kubicki,et al.
Sleep EEG evaluation: a comparison of results obtained by visual scoring and automatic analysis with the Oxford sleep stager.
,
1989,
Sleep.
[21]
P. Plouin,et al.
Monitoring EEG ambulatoire (Medilog 9000). Premies resultats dans une population pediatrique
,
1985
.
[22]
P. Cowen,et al.
Evaluation of first night effect using ambulatory monitoring and automatic sleep stage analysis.
,
1988,
Sleep.
[23]
R Baumgart-Schmitt,et al.
On the use of neural network techniques to analyse sleep EEG data. First communication: application of evolutionary and genetic algorithms to reduce the feature space and to develop classification rules.
,
1997,
Neuropsychobiology.
[24]
R. Stickgold,et al.
Nightcap: laboratory and home-based evaluation of a portable sleep monitor.
,
1995,
Psychophysiology.