Effets d’âge et de sexe sur la synchronisation de l’EEG en sommeil : analyses multivariées par apprentissage machine

Abstract

L’avancée en âge est associée à des modifications importantes sur le sommeil. Cependant, peu d’études ont évalué comment le sexe module les effets du vieillissement sur le sommeil, et les résultats obtenus sont divergents. L’objectif de cette étude vise à identifier les variables de sommeil (variables polysomnographiques et EEG quantifié), permettant de classifier 299 participants âgés entre 20 et 70 ans, selon l’âge (jeunes : 20-40 ans ou plus âgés : 41-70 ans) et le sexe (femmes ou hommes), à l’aide de l’apprentissage machine. Les résultats obtenus pour la classification selon le groupe d’âge montrent une précision de décodage à 96%, avec un faible pourcentage d’erreur et nécessite une combinaison de 19 attributs. On note que l’amplitude et la pente Z-négative des oscillations lentes ainsi que le rapport alpha/sigma se manifestent dans 90 à 100% des meilleures combinaisons pour la classification selon l’âge. La précision de décodage obtenue pour la classification selon le sexe diminue à 72% et nécessite une combinaison de 15 attributs. On observe que la latence au sommeil, la puissance spectrale absolue en alpha, le rapport de puissance thêta/alpha ainsi que la fréquence des fuseaux sont les attributs rencontrés entre 7 et 9 fois dans les meilleures combinaisons pour la classification selon le sexe. Les femmes se démarquent des hommes avec un pourcentage de classification de 87% contre 57% pour ces derniers. La précision de décodage obtenue pour la classification des sujets selon 4 classes (jeunes femmes, jeunes hommes, femmes plus âgées et hommes plus âgés) est de 71%, soit seulement 1% de moins que celle obtenue pour la classification selon le sexe. Considérant que la classification adéquate attribuable au hasard pour deux classes est de 50% et que celle pour quatre classes est de 25%, l’algorithme montre une performance nettement supérieure à classifier selon l’âge et le sexe que selon le sexe seul. On note que la puissance spectrale absolue en sigma, l’amplitude des fuseaux de sommeil de même que l’amplitude, la fréquence ainsi que la pente Z-négative des OL sont présentes dans toutes les meilleures combinaisons pour la classification selon l’âge et le sexe. Encore une fois la précision de décodage est supérieure chez les femmes. Les femmes âgées montrent une précision de décodage de 87%, soit plus de 20% supérieur aux résultats obtenus pour la classification des jeunes femmes, des jeunes hommes et des hommes âgés. Les résultats de cette étude confirment qu’il est possible de classifier les participants selon l’âge et le sexe à partir de leurs caractéristiques de sommeil mais qu’il est plus facile de classifier les sujets en fonction de l’âge que selon le sexe. Bien que les meilleures combinaisons de classification incluent des variables polysomnographiques, les variables quantifiées de l’EEG (variables spectrales et caractéristiques des oscillations en SL) se retrouvent plus fréquemment dans les meilleures combinaisons suggérant que la synchronie cérébrale soit un facteur clef dans les différences d’âges et de sexe sur le sommeil.

Aging is associated with significant changes in sleep. However, few studies evaluated how sex modulates the effects of aging on sleep, and the results show a large discrepancy in the literature. The objective of this study is to identify sleep features (polysomnographic sleep and quantitative sleep EEG variables), allowing to classify 299 participants aged between 20 and 70 years, according to the age group (young : 20-40 and older : 41-70 years) and by sex (women, men), using machine learning. The results obtained for the age classification show a decoding accuracy of 96% with a low error percentage and requires a combination of 19 features. We noticed that the amplitude and the Z-negative slope of the slow waves as well as the alpha/sigma ratio are present in 90 to 100% of the best combinations for the age classification. The decoding accuracy obtained for sex classification decreases to 72% and requires a combination of 15 features. We observed that sleep latency, alpha absolute spectral power, theta/alpha ratio and spindle frequency are occurred between 7 and 9 times in the best combinations for sex classification. Women showed a higher decoding accuracy than men (87% vs 57% respectively). The decoding accuracy obtained for classifying subjects according to 4 classes (young women, young men, older women, older men) is 71%, which is only 1 % less than that obtained for the classification by sex. Considering that the appropriate classification attributable to chance for two classes is 50% and that for four classes is 25%, the algorithm shows a significantly higher performance to classify by age and sex than by sex alone. We noticed that absolute sigma spectral power, amplitude of sleep spindles as well as amplitude, frequency and Z-negative slope of slow waves occurred in all the best combinations for age and sex classification. Older women showed again a higher classification percentage (87%) than the young women, young men and older men. The results confirm that it is possible to classify participants according to age and sex based on their sleep characteristics, but that it is easier to classify subjects according to age than by sex. Although the best classification combinations include polysomnographic features, EEG quantified variables (spectral and characteristics of slow-wave oscillations) are found more frequently in the best combinations suggesting that cerebral synchrony is a key factor in age and sex difference on sleep.