2021 Fiscal Year Research-status Report
隠れマルコフモデルに基づいた睡眠時ブラキシズム検査における筋電図波形識別の試み
| Project/Area Number |
20K23107
|
|---|
| Research Institution | Okayama University |
|---|
Principal Investigator |
大森 江 岡山大学, 大学病院, 医員 (30884879)
|
|---|
| Project Period (FY) |
2020-09-11 – 2023-03-31
|
| Keywords | 睡眠時ブラキシズム / 機械学習 / 筋電図識別 |
|---|
| Outline of Annual Research Achievements |
筋電計による睡眠時ブラキシズム(SB)評価では，SB以外の筋活動もSBとして誤認される可能性があり，識別手法の確立が望まれる。そこで機械学習の応用によりSB／非SB時の筋電図の識別が可能か検討した。
対象は，当科の教職員のうち本研究の同意が文書で得られた健常者12名とした（男性／女性：10／2名，平均年齢35.3±8.4歳）。これら被検者に，シールドルームにて仰臥位にてSB様運動（噛み締め）時ならびに非SB運動（嚥下，掻痒，頭部・体幹部の体動）を行わせた。その際の咬筋部，顎下部，オトガイ部，輪状軟骨部の筋電図をPolysomnography（PSG-1100，日本光電）を用いてカットオフ周波数10Hz，サンプリング周波数1,000Hzにて1名の検者が収集した。
機械学習によるSB評価は，両側咬筋筋電図，両側舌骨下筋群，オトガイ筋，右側舌骨上筋群および皮膚伝達音を単体もしくは組み合わせたデータを対象に評価した．まず臨床評価結果をマスキングした状態で，睡眠検査1夜目に計測した睡眠時のSB運動ならびに非SB運動を教師データとして，2夜目のデータの各burst時の各種筋電図情報の波形をフレーム長100ms，フレームシフト50msとしてメル周波数ケプストラム係数（MFCC）を算出した．このMFCCに対して，1名の特徴量について他の11名の被検者の特徴量を教師データとした機械学習にてSB様運動の検出に関する感度，特異度を算出した。
対象被験者12名のSB様運動の検出の感度／特異度を検討したところ，咬筋筋電図を用いた場合の識別精度が最も高く，感度／特異度：81.4±14.4／94.7±3.2であった。以上より咬筋筋電図に機械学習による解析を応用することで，SBと非SBの筋電図を精度高く識別できる可能性が示唆された。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
本年度は，健常者の睡眠時筋電図をもとに，機械学習よりその筋電図波形の識別を試みようとするものである。しかしながら，新型コロナウイルスの感染拡大に伴う本学の活動制限指針により，新規の研究開始が事実上凍結となっていたことからも，研究遂行は当初の予定よりも大幅に遅れてしまった。そのため，本申請研究の進捗は“やや遅れている”と言える。
|
| Strategy for Future Research Activity |
これまでの検討結果をもとに，被験者の自宅にて睡眠中の筋電図測定を行い，その筋電図波形の識別を試みる。すなわち，本研究の趣旨に自主的に同意した健常者の自宅にて睡眠中の筋電図測定を行う。
電極の貼付位置は，両側咬筋，両側舌骨下筋群，オトガイ筋，舌骨上筋群とし，右側下顎角部には皮膚伝達音センサーを貼付し，睡眠中の筋電図測定と同時に音声動画を記録する。各種筋電図ならびに皮膚伝達音は睡眠ポリグラフ装置（PSG-1100，日本光電）にてそれぞれカットオフ周波数 10 Hz, 500Hz，サンプリング周波数1,000Hz，16kHzにて収集する。
咬筋筋電波形のSBイベント抽出は，ソフトウェアを用いて振幅が最大噛みしめ時の10％以上，持続時間0.25秒以上の波形（burst）を自動抽出した後，抽出されたburstのイベントを，2名の検者が独立して音声動画データよりSB運動（グラインディング，クレンチング）と非SB運動（掻痒，体動，嚥下，発語，いびき）に分類する。その後，2名の評価結果を統合することで臨床評価結果とする。
機械学習によるSB評価は，両側咬筋筋電図，両側舌骨下筋群，オトガイ筋，右側舌骨上筋群および皮膚伝達音を単体もしくは組み合わせたデータを対象に評価する。まず臨床評価結果をマスキングした状態で，睡眠検査1夜目に計測した睡眠時のSB運動ならびに非SB運動を教師データとして，2夜目のデータの各burst時の各種筋電図情報の波形をフレーム長100ms，フレームシフト50msとしてメル周波数ケプストラム係数（MFCC）を算出する。このMFCCに対して機械学習により各burstをSB／非SBに識別する。
その後，臨床評価結果を黄金律とし，各種生体情報から機械学習によって識別した各burstのSB／非SBの結果について，感度，特異度，陽性適中率，陰性適中率を算出し，検出能を検討する。
|
| Causes of Carryover |
本年度は，健常者の睡眠時筋電図をもとに，機械学習よりその筋電図波形の識別を試みようとしていた。しかしながら，新型コロナウイルスの感染拡大に伴う本学の活動制限指針により，新規の研究開始が事実上凍結となっていたことからも，研究遂行は当初の予定よりも大幅に遅れてしまった。
今後，実際の睡眠時データを対象として，今年度検討した筋電図の識別手法が臨床応用可能か，またその識別精度がどの程度なのかについて検証していく予定である。そのためにも，Polysomnography検査機器は必須であり，その使用に際しての費用が必要となる。また，共同研究を行う東京大学に解析を依頼していることから，その解析にともなる機器使用費用が必要となる。
|
