Étudier le sommeil est étonnamment difficile. La référence, la polysomnographie, oblige un patient à passer une nuit en laboratoire avec des électrodes collées au cuir chevelu, au visage, à la poitrine et aux jambes, ainsi que des ceintures autour du torse et un oxymètre de pouls au doigt. L’installation est coûteuse, inconfortable et peu pratique pour le type de suivi régulier dont les troubles du sommeil ont besoin.
Les chercheurs cherchent depuis des années une alternative plus simple : un seul canal d’EEG, enregistré à partir de quelques électrodes sur le front ou derrière l’oreille, associé à un algorithme capable de déterminer les stades du sommeil de manière autonome. Le défi est qu’un seul canal capture beaucoup moins d’informations qu’un montage clinique complet, et que les schémas électriques du cerveau pendant le sommeil sont subtils et facilement confondus.
Une équipe de l’Université Tarbiat Modares de Téhéran et de l’Université d’État du Michigan a publié une méthode qui rapproche la classification du sommeil à canal unique de l’utilité clinique. Leur approche, décrite dans Scientific Reports, combine une transformation temps-fréquence spécialisée appelée SynchroSqueezed Transform avec un pipeline d’apprentissage profond en trois étapes pour atteindre 83% de précision globale sur un ensemble de données de référence standard.
Des ondes brutes aux images nettes
Le premier problème auquel toute méthode de classification du sommeil à canal unique est confrontée est la représentation du signal EEG brut. Un enregistrement de 30 secondes est une oscillation bruyante des changements de tension dans le temps. Les informations pertinentes pour la classification du sommeil résident dans les fréquences présentes et la façon dont leur puissance évolue au cours de la nuit — les ondes delta lentes du sommeil profond, les fuseaux de sommeil du stade 2, les rythmes alpha et bêta rapides de l’éveil.
La méthode standard pour extraire ces informations est un spectrogramme, qui découpe le signal en fenêtres courtes et calcule les fréquences présentes dans chacune d’elles. Mais les spectrogrammes présentent un compromis fondamental : une meilleure résolution temporelle signifie une moins bonne résolution fréquentielle, et vice versa. La SynchroSqueezed Transform utilisée par Aram et ses collègues contourne cette limitation en réaffectant l’énergie spectrale vers des crêtes plus nettes et plus concentrées dans le plan temps-fréquence. Le résultat est une image beaucoup plus claire de l’évolution des rythmes cérébraux au fil du temps, avec moins de flou entre les fréquences voisines.
L’équipe a divisé chaque époque de 30 secondes en segments de 256 échantillons — environ 2,56 secondes au taux d’échantillonnage de 100 Hz de l’ensemble de données Sleep-EDF qu’ils ont utilisé. Ils ont introduit ces segments courts dans un réseau neuronal convolutif dans la première étape de ce qu’ils appellent un pipeline d’apprentissage de représentation séquentielle.
Apprendre à voir la différence
Entraîner un réseau neuronal profond à partir de zéro sur une tâche aussi complexe que la classification du sommeil est difficile, surtout avec les données limitées d’un seul canal EEG. Les chercheurs ont abordé ce problème avec une stratégie en trois étapes qui ressemble à la façon dont un spécialiste pourrait apprendre : d’abord comprendre les bases des schémas EEG, puis apprendre à distinguer les stades du sommeil, et enfin apprendre comment les stades se succèdent dans le temps.
La première étape est un pré-apprentissage supervisé simple. Le CNN apprend à classer les micro-segments de 2,56 secondes en stades de sommeil, construisant une base d’extracteurs de caractéristiques utiles. Mais l’innovation clé de l’équipe réside dans la deuxième étape : l’apprentissage contrastif.
L’apprentissage contrastif fonctionne en apprenant au réseau à rapprocher les représentations de signaux similaires tout en éloignant les représentations de signaux différents. Les chercheurs ont appliqué cela au niveau de l’époque — la fenêtre complète de 30 secondes — en créant des paires positives à partir du même stade de sommeil et des paires négatives à partir de stades différents. Cette étape affine la capacité de l’encodeur à séparer les stades du sommeil dans l’espace abstrait où le réseau représente les signaux EEG, avant même de voir la structure temporelle d’une nuit complète.
La troisième étape est celle où le réseau apprend à penser en séquences. L’encodeur pré-entraîné traite l’époque complète de 3000 échantillons en utilisant une stratégie distribuée dans le temps, ce qui signifie qu’il glisse sur le signal par morceaux et produit une séquence de vecteurs de caractéristiques. Ces vecteurs sont introduits dans deux unités récurrentes à portes empilées — un type de réseau neuronal récurrent spécialisé dans l’apprentissage de schémas qui se déploient dans le temps. Les GRU capturent la dépendance entre les époques consécutives : le fait que le stade 2 précède généralement le sommeil à ondes lentes, que le REM suit une progression spécifique à travers le cycle, qu’il est peu probable de se réveiller au milieu du stade 3.
83% et ce que cela signifie
La méthode a atteint 83% de précision globale sur l’ensemble de données Sleep-EDF, une collection largement utilisée d’enregistrements EEG nocturnes de sujets sains. Les performances variaient selon le stade du sommeil. L’éveil et le sommeil REM ont été classés avec la plus grande précision. Les stades plus profonds du sommeil non-REM — le stade 3, parfois appelé sommeil à ondes lentes ou sommeil delta — ont montré une confusion plus élevée, comme c’est souvent le cas dans la classification automatisée du sommeil.
Quatre-vingt-trois pour cent n’est pas parfait, et cela ne remplacerait pas un polysomnogramme clinique pour diagnostiquer les troubles complexes du sommeil. Mais c’est compétitif avec l’état de l’art pour les méthodes à canal unique, et cela provient d’un pipeline qui combine des techniques existantes d’une manière nouvelle. L’utilisation de l’apprentissage contrastif pour améliorer la séparabilité des caractéristiques avant la modélisation séquentielle est une distinction par rapport aux approches précédentes qui entraînent l’ensemble du réseau de bout en bout.
Du laboratoire à la chambre
Un seul canal EEG peut être enregistré avec une configuration minimale — un patch adhésif derrière l’oreille, un bandeau, un petit dispositif portable. Pas de technicien requis, pas de nuit à l’hôpital. Pour les patients suspects d’apnée du sommeil, le dépistage initial pourrait se faire à domicile sur plusieurs nuits, produisant une image plus représentative qu’une seule nuit dans un laboratoire inconnu. L’automatisation de la notation manuelle actuellement effectuée par les spécialistes du sommeil pourrait également libérer des ressources cliniques dans les environnements où les scoreurs formés sont rares.
Ce qu’elle ne peut pas encore faire
L’ensemble de données Sleep-EDF, bien que standard, contient des enregistrements d’un nombre modeste de sujets sains sans troubles majeurs du sommeil. On ignore si la méthode se généralise à des patients souffrant de pathologies comme l’insomnie ou la narcolepsie. L’algorithme repose également exclusivement sur l’EEG, ne disposant pas des canaux de tonus musculaire et de mouvement oculaire que la polysomnographie utilise pour distinguer le REM de l’éveil. L’ajout de ces signaux améliorerait probablement la précision mais augmenterait également la complexité de l’installation. La méthode n’a pas non plus été testée sur du matériel EEG grand public à faible coût ou dans des environnements domestiques non contrôlés.
L’essentiel
La classification automatisée du sommeil à partir d’un seul canal est un objectif poursuivi depuis des années. La combinaison du pré-traitement par SynchroSqueezed Transform avec des réseaux récurrents pré-entraînés de manière contrastive représente une avancée méthodologique réelle, même si 83% de précision laisse une marge d’amélioration. L’approche rapproche le domaine d’un pas de plus vers l’objectif d’un suivi fiable, confortable et à domicile du sommeil, qui fonctionne sans laboratoire du sommeil.
Source: Aram, S., Ghassemi, M.M. & Mohammadzadeh Asl, B. Single-channel EEG sleep stage classification using synchrosqueezed transform and sequential representation learning. Sci Rep 16, 42477395 (2026). https://doi.org/10.1038/s41598-026-62832-5
Traduit par Lydie