Rapid eye movement (REM) sleep behavior disorder (RBD) is a parasomnia characterized by unphysiological skeletal muscle activity during REM sleep and often accompanied by vivid dream enactment. In many cases RBD precedes α synucleinopathies such as Parkinson’s disease or dementia with Lewy bodies and hence reliable diagnosis of RBD is crucial to identify risk patients. Currently, diagnosis of RBD requires elaborate sleep studies including electromyography (EMG) to detect motor events. In clinical practice, this involves substantial amounts of manual signal annotation and artifact correction. Moreover, the method is prone to impaired electrode contact and might bother the patient during sleep. In this thesis an automatic method to analyze leg movements detected in 3D video data was developed. Subsequently, classification into patients with and without RBD was performed. 63 full-night 3D videos (29 RBD, 34 controls) recorded at the LKH Innsbruck sleep center during conventional sleep studies were used. Non-RBD related movements (e.g. respiration) can cause unfavorable artifacts in the 3D data and consequently careful artifact suppression was implemented. Several features were evaluated for binary classification and the influence of leg movement duration and periodicity was investigated. The 3D results were compared to a similarly designed automatic EMG based algorithm. The occurrence rate of leg movements during REM sleep (min-1) proved to be the best criterion for automated RBD classification. Evaluation of leg movements lasting 0.5 to 15 s (in accordance with internationally recognized sleep medicine standards) yielded comparable areas under the receiver operating characteristics curve for 3D (0.96) and EMG (0.94) analysis. 3D video analysis delivered a maximum accuracy of 0.92, with a true positive rate (TPR) of 0.97 and a true negative rate (TNR) of 0.88; in case of EMG analysis the maximum accuracy was 0.92 with a TPR of 1.0 and a TNR of 0.85. While short movements had a strong positive influence on the diagnostic accuracy, restricting the analysis to short movements did not deliver better results. Evaluations exclusively based on either periodic or non periodic leg movements were inferior to the mixed set. 3D video analysis is a promising contactless tool that might be used to automatically detect clear RBD and non RBD cases, and free medical experts to focus on borderline cases where thoughtful consideration is required. Because less electrodes are required the clinical setup is simplified and patient comfort is improved.
en
Die REM-Schlaf-Verhaltensstörung RBD (engl.: rapid eye movement (REM) sleep behavior disorder) äußert sich durch unphysiologische Skelettmuskelaktivität während des REM-Schlafes sowie oftmals lebhafter Umsetzung komplexer Bewegungen aus Träumen. In vielen Fällen wird RBD vor der eigentlichen Manifestation von α-Synucleinopathien wie Morbus Parkinson oder Lewy-Körper-Demenz festgestellt. Daher ist eine entsprechende Diagnose wichtig, um Risikopatienten zu identifizieren und passende therapeutische Maßnahmen zu ergreifen. Heutzutage ist zur Diagnose von RBD eine umfangreiche Schlafstudie nötig, bei der die Muskelaktivität mittels Elektromyographie (EMG) detektiert wird. In der klinischen Praxis geht dies meist mit einem hohen manuellen Aufwand für die Annotation entsprechender Signale und Korrektur von Artefakten einher. Außerdem ist diese Methode anfällig gegenüber mangelhaftem Elektrodenkontakt und die notwendige Verkabelung kann von Patienten als störend empfunden werden. In dieser Arbeit wurde eine Methode zur automatischen Auswertung von in 3D Videos detektierten Beinbewegungen entwickelt. Anschließend wurde eine Klassifikation in Patienten mit bzw. ohne RBD vorgenommen. Dazu standen 63 3D Videos (29 von RBD-Patienten, 34 aus der Kontrollgruppe), die im Rahmen konventioneller Schlafstudien am LKH Innsbruck aufgenommen wurden, zur Verfügung. Bewegungen, die nicht mit RBD in Zusammenhang stehen (z.B. Atembewegungen), können die Analyse durch Artefakte maßgeblich beeinflussen, weshalb eine entsprechende Artefaktunterdrückung implementiert wurde. Verschiedene Merkmale wurden zur binären Klassifikation der Aufnahmen ausgewertet. Darüber hinaus wurden die Einflüsse von Beinbewegungsdauer und Periodizität untersucht. Die Ergebnisse der 3D Analyse wurden mit einer gleichartig aufgebauten automatischen EMG Analyse verglichen. Als bestes Kriterium zur Klassifikation von RBD-Patienten konnte die Rate an detektierten Beinbewegungen während des REM Schlafes identifiziert werden. Eine Auswertung aller Bewegungen mit einer Dauer von 0.5 bis 15 s (im Einklang mit international anerkannten schlafmedizinischen Standards) lieferte Flächen unter der Grenzwertoptimierungskurve von 0.96 (3D) und 0.94 (EMG). Mittels 3D Video Analyse wurde eine maximale Genauigkeit von 0.92 mit einer Richtig-positiv-Rate von 0.97 und einer Richtig-negativ-Rate von 0.88 erreicht; im Falle einer gleichartigen EMG Analyse war die maximale Genauigkeit 0.92, die entsprechende Richtig-positiv-Rate 1.0 und die Richtig-negativ-Rate 0.85. Kurze Bewegungen hatten zwar einen erheblichen Einfluss auf die Güte der Diagnose, isoliert betrachtet konnten sie allerdings keine Verbesserung der Ergebnisse bewirken. Ausschließlich anhand von periodischen oder nicht-periodischen Beinbewegungen durchgeführte Auswertungen lieferten schlechtere Ergebnisse als die Auswertung gemischter Bewegungen. Klare Fälle von RBD und nicht-RBD könnten in Zukunft durch 3D Videoanalyse automatisch klassifiziert werden, wodurch Schlafmediziner mehr Zeit hätten sich auf klinisch unklare Situationen zu konzentrieren. Außerdem kommt das System mit weniger Elektroden(kabeln) aus, was die technische Vorbereitung jeder Schlafstudie vereinfacht und den Komfort für die Patienten erhöht.
de
Additional information:
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers