Geautomatiseerde slaapanalyse van draagbare monitoring systemen.

Slaapwaakstoornissen zijn wijdverspreide aandoeningen. Ze zijn bij de vroegste en meest verstorende symptomen van de ziekte van Alzheimer. Als meest voorkomende neurodegeneratieve ziekte is alzheimer een zware last voor onze verouderende samenleving. Het verhoogt de kans op epilepsie, terwijl epilepsie dan weer gelinkt is met slaapwaakstoornissen. Hoewel deze drie stoornissen duidelijk met elkaar interageren, zijn deze verbanden nog niet echt doorgrond.

Om causaliteit tussen de aandoeningen aan te tonen, moet hun evolutie over lange tijd opgevolgd worden. Daarvoor zijn longitudinale slaapdata nodig van buiten de ziekenhuisomgeving, en automatische methoden om de data te analyseren. De recente opmars van draagbare monitors heeft het mogelijk gemaakt om longitudinaal hersensignalen op te meten. In dit doctoraatsproject zullen algoritmes ontwikkeld worden om automatisch slaap te analyseren op data van zo’n draagbare monitors. De doctoraatsstudent zal hierbij robuuste deep learning methodes uitwerken om slaapstadia te herkennen, en deze optimaliseren voor bepaalde patiëntengroepen. Het ideale model moet kunnen leren van kleine hoeveelheden geannoteerde data, aangevuld met niet-geannoteerde data, en moet gepersonaliseerd kunnen worden per patiënt. De methodes zullen gevalideerd worden op verschillende klinische populaties.

Deze signaalverwerkingsmethodes zullen cruciaal zijn om slaap longitudinaal op te volgen in alzheimer- en epilepsiepatiënten, en om op lange termijn de impact van slaap op deze stoornissen te ontrafelen.