Název:
Pokročilá klasifikace spánkových fází
Překlad názvu:
Advanced sleep scoring
Autoři:
Dokoupilová, Daniela ; Novotná, Petra (oponent) ; Filipenská, Marina (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2023
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstrakt: [cze][eng]
Tato diplomová práce se věnuje klasifikaci spánkových fází z chytrých hodinek. Využity byly dva signály, a to tepová frekvence a zrychlení. Pro klasifikaci byl vybrán model TinySleepNet, který je složen z konvoluční a LSTM sítě. Model byl natrénován nejprve pro klasifikaci pěti spánkových fází pouze z tepové frekvence, F1 skóre prvního modelu dosáhlo 49 %. Zrychlení bylo přepočítáno na vektor SVM, na kterém byl natrénován druhý model. Kvůli nedostatku informací ve vektoru SVM byl model natrénován pouze pro binární klasifikaci bdění/spánek a jeho F1 skóre dosáhlo 62,3 %. V posledním modelu byly oba signály zkombinovány. Klasifikace z tepové frekvence a vektoru SVM na pět spánkových fází poté dosáhla F1 skóre 51 %. Vypočtené parametry hodnotící kvalitu spánku byly poté srovnány s daty ohodnocenými spánkovým expertem.
This diploma thesis focuses on classification of sleep stages using a smart watch. Two signals were used – heart rate and acceleration. A model called TinySleepNet composed of convolutional neural network and LSTM was chosen for this task. The model was first trained for the classification of five sleep stages using only heart rate, achieving F1 score of 49%. Acceleration was converted into an SVM vector, on which the second model was trained. Due to the lack of information in the SVM vector, the model was trained only for binary classification of wake/sleep, achieving F1 score of 62.3%. Both SVM and heart rate were combined in the last model. The classification of heart rate and SVM vector into five sleep stages achieved F1 score of 51%. The calculated parameters evaluating sleep quality were then compared with data evaluated by a sleep expert.
Klíčová slova:
chytré hodinky; deep learning; hodnocení kvality spánku; klasifikace; spánek; TinySleepNet; classification; deep learning; sleep; sleep scoring; smartwatch; TinySleepNet
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/210203