L’objectif est d’utiliser des méthodes modernes d’apprentissage automatique afin d’obtenir une description alternative, et plus discriminante du sommeil, entre les signaux physiologiques explicites de la polysomnographie et la représentation succincte de l’hypnogramme.

Nous utilisons des auto-encodeurs pour projeter la représentation multi-canaux des enregistrements polysomnographiques en trajectoires dans un espace latent de 2 ou 3 dimensions. Les auto-encodeurs sont des modèles d’apprentissage automatique non supervisés qui apprennent à compresser des informations en représentations de dimension inférieure (espace latent). Cette compression force le modèle à représenter des signaux similaires dans les mêmes régions de l’espace latent.

Une analyse préliminaire avec une petite cohorte a permis de distinguer les nuits de sommeil de bons dormeurs des nuits de patients en examinant visuellement la trajectoire de l’espace latent.

La représentation des nuits de sommeil en tant que trajectoires dans un espace latent à faible dimension fournit une description intermédiaire du sommeil entre les signaux hautement complexes et explicites des enregistrements polysomnographiques et la représentation succincte des hypnogrammes. Ces trajectoires d’espace latent sont des outils prometteurs pour compléter l’hypnogramme standard et permettre une meilleure identification des troubles du sommeil.