Somnologie

, Volume 21, Issue 4, pp 311–318 | Cite as

Artefakterkennung über eine cloud-basierte Plattform

  • Michael Witt
  • Christoph Jansen
  • Stefanie Breuer
  • Maximilian Beier
  • Dagmar Krefting
Originalien
  • 137 Downloads

Zusammenfassung

Hintergrund

Die automatische Analyse von Polysomnographien (PSG) ist eine wichtige Methode in der schlafmedizinischen Forschung. Aufgrund der Datenvolumina, der unterschiedlichen Datenformate und Signalqualität stellt jedoch insbesondere die Analyse von Daten von unterschiedlichen Geräteherstellern und verschiedenen Schlaflaboren eine besondere Herausforderung dar. Die große Menge an heterogenen Daten muss datenschutzkonform in angemessener Zeit analysiert und Ergebnisse müssen beteiligten Forschern wieder verfügbar gemacht werden.

Da insbesondere unbemerkte Qualitätsmängel der Signale und Artefakte das Analyseergebnis verfälschen können, ist die Überprüfung der Eignung einer PSG für das jeweilige Analyseverfahren von besonderer Wichtigkeit.

Methodik

Dieser Artikel untersucht neun Verfahren zur automatischen Detektierung von Aufnahmeartefakten in Polysomnographien, welche in eine cloud-basierte Analyseplattform integriert sind. Anhand von 269 annotierten PSG-Datensätzen werden die Detektionsraten und Ergebnisse evaluiert.

Ergebnisse

Die entstandene Analyseplattform erreicht mittels einer automatischen Formatkonvertierung von PSG-Aufnahmen und anschließender Artefakterkennung eine Detektionsrate von 80 % der zuvor manuell markierten Artefakte. Die zu verarbeitenden Daten werden in einem Cloud-System vollautomatisch verteilt und Ergebnisse in einem Datenmanagementsystem (DMS) gesichert.

Diskussion

Die umgesetzte Analyseplattform dient der Unterstützung kollaborativer schlafmedizinischer Forschung durch die Integration eines projektbasierten DMS, mittels dessen Datensätze erfasst und ausgetauscht werden können. Die Integration von Algorithmen zur Vereinheitlichung des Eingabedatenformats und der automatischen Artefakterkennung kann Ergebnisse nachgelagerter Analysen verbessern.

Schlüsselwörter

Artefakte Algorithmen Polysomnographie Labore Wissensmanagement 

Artifact detection via a cloud-based platform

Abstract

Background

Automatic analysis of polysomnographies (PSGs) is an important method in sleep research. However, the analysis of data provided by different hardware vendors or sleep laboratories is difficult. Problems result from the large amount of data supplied, different data formats or variations in signal quality. The large amount of heterogeneous data needs to be processed in an appropriate timespan and results should be available for all associated researchers.

The veracity of the data is of very high interest because undetected signal quality issues and artifacts can falsify the results of an analysis. The evaluation of whether a signal’s quality is sufficient for a certain analysis method is therefore crucial.

Methods

In this article we present nine different algorithms for automatic detection of recording artifacts in PSGs. These algorithms are integrated into a cloud-based platform and are tested with 269 PSG datasets that were manually annotated beforehand.

Results

The presented research platform supports automatic format conversion of PSG recordings followed by an automatic detection of recording artifacts. The developed algorithms were able to detect 80% of all artifacts. The algorithmic workload is distributed by a cloud infrastructure and the results are stored in a data management system.

Conclusions

The platform supports collaborative sleep research by the integration of a data management system that allows project-based data sharing between authorized users. The integration of data format standardization and artifact detection in processing workflows enables the following analyses to produce better results.

Keywords

Artifacts Algorithms Polysomnography Laboratories Knowledge management 

Notes

Einhaltung ethischer Richtlinien

Interessenkonflikt

M. Witt, C. Jansen, S. Breuer, M. Beier und D. Krefting geben an, dass kein Interessenkonflikt besteht.

Dieser Beitrag beinhaltet keine von den Autoren durchgeführten Studien an Menschen oder Tieren.

Literatur

  1. 1.
    Bashan A, Bartsch RP, Kantelhardt JW, Havlin S, Ivanov PC (2012) Network physiology reveals relations between network topology and physiological function. Nat Commun 3:702CrossRefPubMedPubMedCentralGoogle Scholar
  2. 2.
    Faes L, Marinazzo D, Stramaglia S, Jurysta F, Porta A, Giandomenico N (2016) Predictability decomposition detects the impairment of brain–heart dynamical networks during sleep disorders and their recovery with treatment. Philos Trans Royal Soc A 374(2067):20150177.  https://doi.org/10.1098/rsta.2015.0177 CrossRefGoogle Scholar
  3. 3.
    Riedl M, Müller A, Kraemer JF, Penzel T, Kurths J, Wessel N (2014) Cardio-respiratory coordination increases during sleep apnea. PLOS ONE 9(4):e93866CrossRefPubMedPubMedCentralGoogle Scholar
  4. 4.
    Beier M, Jansen C, Mayer G, Penzel T, Rodenbeck A, Siewert R et al (2017) Multicenter data sharing for collaboration in sleep medicine. Future Gener Comput Syst 67:466–480.  https://doi.org/10.1109/ccgrid.2015.148 CrossRefGoogle Scholar
  5. 5.
    Fairley J, Johnson AN, Georgoulas G, Vachtsevanos G (2010) Automated polysomnogram artifact compensation using the generalized singular value decomposition algorithm. 2010 Annual International Conference of the IEEE Engineering in Medicine and Biology, S 5097–5100Google Scholar
  6. 6.
    Devuyst S, Dutoit T, Ravet T, Stenuit P, Kerkhofs M, Stanus E (2009) Automatic Processing of EEG-EOG-EMG Artifacts in Sleep Stage Classification. In: Lim CT, Goh JCH (Hrsg) 13th International Conference on Biomedical Engineering. Springer, Berlin Heidelberg, S 146–150  https://doi.org/10.1007/978-3-540-92841-6_36 CrossRefGoogle Scholar
  7. 7.
    Marcus DS, Olsen TR, Ramaratnam M, Buckner RL (2007) The Extensible Neuroimaging Archive Toolkit: an informatics platform for managing, exploring, and sharing neuroimaging data. Neuroinformatics 5(1):11–34CrossRefPubMedGoogle Scholar
  8. 8.
    Mell P, Grance T (2011) The NIST Definition of Cloud Computing [Internet]. National Institute of Standards; Technology. http://nvlpubs.nist.gov/nistpubs/Legacy/SP/nistspecialpublication800-145.pdf. Zugegriffen: 18.09.2017Google Scholar
  9. 9.
    Chamberlain R, Schommer J (2014) Using Docker to Support Reproducible Research. https://figshare.com/articles/Using_Docker_to_Support_Reproducible_Research/1101910. Zugegriffen: 24. Nov. 2016Google Scholar
  10. 10.
    Jansen C, Witt M, Krefting D (2016) Employing Docker Swarm on OpenStack for Biomedical Analysi. In: Gervasi O, Murgante B, Misra S, Rocha AAM, Torre MC, Taniar D et al (Hrsg) Computational Science and Its Applications – ICCSA 2016 ICCSA 2016, Beijing, China, July 4–7, 2016. Lecture Notes in Computer Science, Bd. 9787. Springer, Cham, S 303–318CrossRefGoogle Scholar
  11. 11.
    Klösch G et al (2001) The SIESTA project polygraphic and clinical database. IEEE Eng Med Biol Mag 20:51–57CrossRefPubMedGoogle Scholar
  12. 12.
    Jansen C, Beier M, Witt M, Wu J, Krefting D (2015) Extending XNAT towards a Cloud-based Quality Assessment Platform for Retinal Optical Coherence Tomographies. Scalable Comput 16(1).  https://doi.org/10.12694/scpe.v16i1.1062 Google Scholar

Copyright information

© Springer Medizin Verlag GmbH 2017

Authors and Affiliations

  1. 1.Centrum für biomedizinische Bild- und Informationsverarbeitung (CBMI)Hochschule für Technik und Wirtschaft BerlinBerlinDeutschland

Personalised recommendations