L’objectif de notre étude est de représenter une nuit de polysomnographie indépendamment du codage manuel des stades de sommeil en utilisant une technique de machine learning non supervisée. L’objectif secondaire est de comparer les polysomnographies de bons dormeurs et d’insomniaques avec cette représentation.

Les données proviennent de polysomnographies anonymisées du centre du sommeil et de la vigilance de l’Hôtel-Dieu pour les sujets insomniaques, et de l’IRBA pour les sujets bons dormeurs. Nous avons appliqué sur ces données des algorithmes de machine learning non supervisés selon une méthode de visualisation de l’espace latent d’un réseau de neurones artificiels du type auto-encodeur. Ces réseaux opèrent une compression des signaux dont la représentation interne d’une nuit de polysomnographie est réduite en 2 ou 3 dimensions. Cette représentation contient un minimum d’information qui permet de reconstruire le signal original. La représentation ainsi obtenue permet la comparaison entre polysomnographies de 20 insomniaques et de 20 bons dormeurs.

Nous obtenons une représentation d’une nuit de polysomnographie indépendamment du codage manuel par une technique de machine learning non supervisée. Cette représentation est différente chez 20 sujets bons dormeurs et chez 20 sujets insomniaques.

Nous obtenons une représentation polysomnogaphique intrinsèquement dictée par les caractéristiques mêmes des signaux indépendamment du codage manuel. Cette représentation apparaît différente entre bons dormeurs et insomniaques.