Neural network analysis of sleep stages enables efficient diagnosis of narcolepsy - Université de Montpellier Accéder directement au contenu
Article Dans Une Revue Nature Communications Année : 2018

Neural network analysis of sleep stages enables efficient diagnosis of narcolepsy

Jens B Stephansen
  • Fonction : Auteur
Alexander N Olesen
  • Fonction : Auteur
Mads Olsen
  • Fonction : Auteur
Aditya Ambati
Eileen B Leary
  • Fonction : Auteur
Hyatt E Moore
  • Fonction : Auteur
Oscar Carrillo
  • Fonction : Auteur
Ling Lin
Fang Han
  • Fonction : Auteur
  • PersonId : 1033407
Han Yan
  • Fonction : Auteur
  • PersonId : 772489
  • IdRef : 184949912
Yun L Sun
  • Fonction : Auteur
Birgit Hogl
  • Fonction : Auteur
Ambra Stefani
Seung Chul Hong
  • Fonction : Auteur
Tae Won Kim
  • Fonction : Auteur
Fabio Pizza
  • Fonction : Auteur
Giuseppe Plazzi
Stefano Vandi
  • Fonction : Auteur
Elena Antelmi
Dimitri Perrin
  • Fonction : Auteur
Samuel T Kuna
  • Fonction : Auteur
Paula K Schweitzer
  • Fonction : Auteur
Clete Kushida
Paul E Peppard
  • Fonction : Auteur
Helge B D Sorensen
  • Fonction : Auteur
Poul Jennum
  • Fonction : Auteur
Emmanuel Mignot


Analysis of sleep for the diagnosis of sleep disorders such as Type-1 Narcolepsy (T1N) currently requires visual inspection of polysomnography records by trained scoring technicians. Here, we used neural networks in approximately 3,000 normal and abnormal sleep recordings to automate sleep stage scoring, producing a hypnodensity graph-a probability distribution conveying more information than classical hypnograms. Accuracy of sleep stage scoring was validated in 70 subjects assessed by six scorers. The best model performed better than any individual scorer (87% versus consensus). It also reliably scores sleep down to 5 s instead of 30 s scoring epochs. A T1N marker based on unusual sleep stage overlaps achieved a specificity of 96% and a sensitivity of 91%, validated in independent datasets. Addition of HLA-DQB1*06:02 typing increased specificity to 99%. Our method can reduce time spent in sleep clinics and automates T1N diagnosis. It also opens the possibility of diagnosing T1N using home sleep studies.
Fichier principal
Vignette du fichier
s41467-018-07229-3.pdf (2.4 Mo) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte

Dates et versions

hal-02309349 , version 1 (09-10-2019)



Jens B Stephansen, Alexander N Olesen, Mads Olsen, Aditya Ambati, Eileen B Leary, et al.. Neural network analysis of sleep stages enables efficient diagnosis of narcolepsy. Nature Communications, 2018, 9 (1), pp.5229. ⟨10.1038/s41467-018-07229-3⟩. ⟨hal-02309349⟩
77 Consultations
76 Téléchargements



Gmail Facebook X LinkedIn More