Erweiterte Video- und Audioanalyse von Schlafstörungen mit motorischen Ereignissen

In der Gesamt-Bevölkerung sind Schlafstörungen, mit einer Prävalenz von circa 18% in Österreich, sehr häufig. Viele Schlafstörungen gehen mit motorischen Ereignissen einher. Diese Ereignisse sind manchmal Kennzeichen der Schlafstörung. Bei anderen Schlafstörungen sind motorische Ereignisse als Nebenbefund zu werten. Ziel dieses Projekts ist es, ein neuartiges 3D Video- und Audio- Analyse System zu evaluieren, um spezifische Schlafstörungen zu detektieren und zu klassifizieren. Die exakte Diagnose vieler Schlafstörungen ist letztendlich nur mittels einer Polysomnographie möglich. Für einige Schlafstörungen wurden Screeningmethoden entwickelt und einige sind für spezifische Fragestellungen validiert worden. Dies ist allerdings die erste Studie, auf internationaler Ebene, die eine neuartige und potentiell hochinnovative und vielversprechende Methode untersucht. Dieses neue System würde den Bedarf einer Screeiningmethode für Schlafstörungen mit einer globalen Vorgangsweise, in Bezug auf die Motorik (und die Vokalisationen), erfüllen. Bei diesem Projekt handelt es sich um eine Zusammenarbeit zwischen einer in Algorithmen und Software spezialisierten Forschungsgruppe und einer international anerkannten Schlafforschungsgruppe mit einer großen Erfahrung in Bewegungsstörungen. Diese Zusammenarbeit wird es ermöglichen, die aufgenommenen 3D Video- und Audio-Daten in Muster zu klassifizieren, welche spezifisch für Schlafstörungen sind. Dieses neue System könnte in der Zukunft zum Pre-screening von spezifischen Schlafstörungen verwendet werden, mit Fokus auf REM-Schlaf-Verhaltensstörung, Non- REM Parasomnie und periodischen Beinbewegungen im Schlaf. Das würde zu einer Reduktion der Wartezeit und zu einer Reduktion der Kosten für das Gesundheitssystem führen. Eine weitere mögliche Anwendung wäre, als Screening für spezifische Schlafstörungen oder Risikofaktoren in der Gesamtbevölkerung.

Isolated REM sleep behavior disorder (iRBD) is a serious and often undetected or confounded sleep disorder, characterized by dream enactment behaviors, jerks, and vocalizations during REM sleep, instead of the physiological absence of muscle tone and major movements during this sleep stage. IRBD is the most sensitive and specific indicator of risk to develop specific neurodegenerative disease in the future. Therefore, correct iRBD diagnosis would allow identifying neurodegeneration in its very early stages. The current gold standard method for iRBD diagnosis is video-polysomnography (v-PSG), which is performed at dedicated centers (mostly academic neurological sleep labs). The aim of this project was to investigate a novel contactless automatic 3D video and audio analysis method to detect automatically iRBD patients and differentiate them from patients with other disorders with motor activity during sleep. Results: In the first project part, an automatic algorithm was developed to identify movements in the lower body using 3D videos during REM sleep. Minor leg jerks with a duration <2 seconds discriminated with the highest accuracy (90.4%) 40 iRBD patients from 64 patients with other motor activity during sleep (Waser et al., Sleep, 2020). In the second project part, we developed an algorithm for recognition of movements with 3D video in the upper part of the body, and an algorithm to encode spatial and temporal information of movements. In a first pilot study (Cesari et al., Annu Int Conf IEEE Eng Med Biol Soc 2021), we showed, in a small cohort of 20 iRBD patients and 24 with sleep patients with sleep related breathing disorder, that automatic identification of movements in the upper body is beneficial for better identification of iRBD patients. In a second pilot study (Kohn et al., Annu Int Conf IEEE Eng Med Biol Soc 2022), we showed that with automatic deep-learning methods it is possible to identify position of head and hands and to recognize their movements using 3D videos, thus obtaining spatial and temporal movement information. These two preliminary studies led to a larger investigation on 53 iRBD patients and 128 patients without RBD, showing that that it is beneficial to identify movements in different body parts (head, hands, upper body and lower body) to improve automatic identification of iRBD patients (Cesari et al., under review). Taken together, the results show that automatic analysis of contactless 3D video is a valid method for identification of iRBD patients. In the current stage of development, 3D video could be used as a useful tool for sleep clinicians to faster identify patients with RBD. Applications outside a sleep laboratory are still limited, as information about sleep stages (derived from the polysomnography) is required, but future projects will continue the development of such technology.