PHÂN TÍCH VÀ THIẾT KẾ THIẾT BỊ KÍCH THÍCH THÍNH GIÁC ĐỂ TĂNG CƯỜNG SÓNG DELTA CHO GIẤC NGỦ SÂU ỨNG DỤNG EEG
DOI:
https://doi.org/10.59266/houjs.2025.740Từ khóa:
điện não đồ (EEG), giấc ngủ sâu, hoạt động sóng chậm (SWA), kích thích vòng kín, kích thích thính giác, cảm biến đeo, học máy, 1D-CNNTóm tắt
Bài báo này trình bày việc thiết kế, triển khai và xác thực một hệ thống đeo mới lạ để tăng cường giấc ngủ sâu thông qua kích thích thính giác vòng kín, khóa pha. Hệ thống liên tục thu nhận tín hiệu điện não đồ (EEG) đơn kênh từ vỏ não trước trán, thực hiện phân tích giai đoạn ngủ trong thời gian thực, và cung cấp các kích thích thính giác khóa pha để tăng cường hoạt động sóng chậm (SWA). Cốt lõi của hệ thống là một Mạng Nơ-ron Tích chập 1D (1D-CNN) nhúng, gọn nhẹ, để xác định giấc ngủ NREM Giai đoạn 3 (N3), theo sau là một thuật toán khóa pha thời gian thực kích hoạt các xung nhiễu hồng 50 ms được đồng bộ hóa với pha đi lên của sóng delta (0.5–4 Hz). Phần cứng bao gồm một Khối Xử lý Tín hiệu Tương tự (AFE) công suất thấp được thiết kế riêng và một vi điều khiển hỗ trợ Bluetooth Năng lượng thấp (BLE). Một ứng dụng di động đi kèm cung cấp chức năng điều khiển cho người dùng, trực quan hóa dữ liệu và nhật ký giấc ngủ. Một thử nghiệm lâm sàng ngẫu nhiên, có đối chứng giả (sham), và thiết kế chéo đã được tiến hành để đánh giá hiệu quả của hệ thống. Kết quả cho thấy sự gia tăng có ý nghĩa thống kê về công suất SWA và thời gian của giấc ngủ N3 trong các đêm có kích thích so với các đêm đối chứng giả, chứng tỏ tính khả thi của công nghệ đeo này trong việc tăng cường giấc ngủ sâu một cách không xâm lấn.
Tài liệu tham khảo
[1]. Al-Kadi, A. M. D., Al-Taleb, M. A., & Al-Majeed, M. I. H. (2021). Design of a low-power wearable EEG system for real-time sleep monitoring. In 2021 IEEE Body Sensor Networks (BSN) (pp. 1-4). IEEE.
[2]. Arnal, L. J., Thorey, V., Debelle, J., et al. (2020). The Dreem headband compared to polysomnography for electroencephalography-based sleep staging. Sleep, 43(11), zsaa097. Cox, R., & Bloem, B. R. (2023). The effects of closed-loop auditory stimulation on brain and behaviour during sleep. Nature Reviews Neuroscience, 24(1), 24-39.
[3]. de-Vries, T. A., T.D. de-Boer, B.P.M. van-den-Bergh, et al. (2023). Deepening sleep using an EEG wearable featuring modeling-based closed-loop neurostimulation. bioRxiv, 2023.05.10.540195.
[4]. Debelle, J., Thorey, V., Giffon, T., et al. (2020). Validation of a consumer-grade, dry-EEG device for sleep monitoring. In 2020 42nd Annual International Conference of the IEEE Engineering in Medicine Biology Society (EMBC) (pp. 4351-4354). IEEE.
[5]. Diekelmann, S., & Born, J. (2010). The memory function of sleep. Nature Reviews
[6]. Neuroscience, 11(2), 114-126.
[7]. Fattinger, S., de-Beukelaar, T. T., Ruddy, K. L., et al. (2017). Deep sleep enhancement by acoustic stimulation. Scientific Reports, 7(1), 42525.
[8]. Ferster, F., da Costa, C. A. R. P., da Rosa Righi, R. (2022). A 1D-CNN approach for realtime sleep stage classification on embedded devices. Expert Systems with Applications, 188, 116033.
[9]. Grasso, D. J., Speier, W., Al-Nazer, M. A., et al. (2021). Auditory enhancement of sleep slow waves in people with Parkinson’s disease: a pilot study. Sleep Medicine, 84, 311-318. Guerrero-Pena, D., Perez-Benitez, J., et al. (2020). A lightweight deep learning model for ondevice sleep stage classification. In 2020 42nd Annual International Conference of the IEEE Engineering in Medicine Biology Society (EMBC) (pp. 646-649). IEEE.
[10]. Ibánez, V., Silva, J., & Cauli, O. (2018). A survey on sleep assessment methods.˜ PeerJ, 6, e4849.
[11]. Kripke, D. F. (2016). Hypnotic drug risks of mortality, infection, depression, and cancer: but lack of benefit. F1000Research, 5, 918.
[12]. Leminen, M. M., Virkkala, J., Saunamaki, T., et al. (2017). Auditory stimulus presentation¨ during slow- wave sleep enhances slow-wave activity and memory consolidation. Journal of Sleep Research, 26(3), 288-297.
[13]. Mander, B. A., Winer, J. R., Walker, M. P. (2017). Sleep and human aging. Neuron, 94(1), 19-36.
[14]. Ngo, H.-V. V., Martinetz, T., Born, J., Molle, M. (2013). Auditory closed- loop stimulation of¨ the sleep slow oscillation enhances memory. Neuron, 78(3), 545-553.
[15]. Ong, J. L., Lo, J. C., Chee, N. I. Y. L., et al. (2016). The effects of phase-locked acoustic stimulation during a nap on EEG slow waves and declarative memory. Sleep, 39(2), 489–497. Papalambros, N. A., Santostasi, G., Malkani, R. G., et al. (2017). Acoustic enhancement of sleep slow oscillations and memory in older adults. Frontiers in Human Neuroscience, 11, 109.
[16]. Santostasi, G., Weintraub, S., Malkani, R., et al. (2016). A real-time, closed- loop, auditorystimulation method to enhance slow-wave activity in sleep. Journal of Neuroscience Methods, 259, 101-112.
[17]. Schade, M., Bauer, M. G. R., & Penzel, T. M. (2021). Phase-locked acoustic stimulation during NREM sleep: a review. Sleep Medicine Reviews, 56, 101410.
[18]. Schneider, M., Schreiner, S. J., et al. (2020). Personalized auditory stimulation to enhance slow-wave sleep in mild cognitive impairment. Communications Biology, 3(1), 503.
[19]. Supratak, A., Dong, H., Wu, C., & Guo, Y. (2017). DeepSleepNet: A model for automatic sleep stage scoring based on raw single-channel EEG. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 25(11), 1998-2008.
[20]. Tononi, G., & Cirelli, C. (2006). Sleep function and synaptic homeostasis. Sleep Medicine Reviews, 10(1), 49-62. (Note: Originally published online in 2005).
[21]. Weihs, A. P., Tran, T. T. K. T., & Le, T.T. P. (2022). A comprehensive review of closed-loop auditory stimulation for sleep enhancement: recent advances and future challenges. Journal of Neural Engineering, 19(4), 041001.
[22]. Zhang, Q., Chen, L., Wang, Y., et al. (2023). A lightweight attention-based network for singlechannel EEG sleep stage classification on edge devices. IEEE Journal of Biomedical and Health Informatics, 27(5), 2269-2280.
[23]. Zhou, J., Liu, D., Li, X., Ma, J., Zhang, J., Fang, J. (2021). Pink noise: Effect on sleep and cognitive functions. Journal of Theoretical Biology, 513, 110578.
[24]. Berry, R. B., Brooks, R., Gamaldo, C. E., et al. (2018). The AASM manual for the scoring of sleep and associated events: rules, terminology and technical specifications, Version 2.5.
[25]. American Academy of Sleep Medicine. [26]. Chen, G., Wang, C., Zhang, Y. (2022). Transfer learning for robust EEG-based sleep stage classification in wearable systems. IEEE Transactions on Mobile Computing, 21(8), 28242837.
[27]. Kim, J., Lee, S., & Park, K. S. (2021). Bone-conduction-based wearable EEG for unobtrusive sleep monitoring. Sensors, 21(11), 3862.
[28]. Liang, Z., Liu, G., Li, Y., et al. (2023). Real-time artifact detection and removal for singlechannel EEG in naturalistic environments. Biomedical Signal Processing and Control, 85, 104886.
[29]. Phan, H., & Mikkelsen, K. (2022). A review of deep learning methods for automated sleep staging. IEEE Reviews in Biomedical Engineering, 15, 80-95.
[30]. Simor, P., Zavecz, M., et al. (2024). Modulating sleep spindles and slow waves: A systematic review of targeted memory reactivation and closed-loop stimulation studies. Sleep Medicine Reviews, 73, 101859.
