|
|
Hodnocení kvality spánku
Benáček, Petr ; Králík, Martin (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato bakalářská práce se zabývá automatickým hodnocením kvality spánku pomocí neuronových sítí. Pro hodnocení jsou využívána data o pohybu a tepové frekvenci naměřená pomocí chytrých hodinek Apple Watch. Z těchto dat byly vypočteny statistické veličiny, které byly následně využity jako vstup do navržených neuronových sítí. Jejich cílem bylo automaticky rozpoznat spánek a bdění. V tomto případě byla sensitivita 89 % a specificita 70 %, což jsou srovnatelné hodnoty s jinými studiemi. Dále byla data rozdělena také do kategorií W (bdění), NON REM a REM. Z výstupu vytvořených neuronových sítí byly odvozeny parametry hodnotící kvalitu spánku, jako například TST, % REM nebo sleep latency.
|
|
|
Pokročilé hodnocení kvality spánku
Doležalová, Anna ; Králík, Martin (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová se zabývá pokročilým hodnocením kvality spánku pomocí hlubokého učení. Jsou zde popsány metriky pro hodnocení spánku a jejich využití. Pro klasifikaci jsou použity data tepové frekvence a akcelerometru pocházejících z chytrých hodinek Apple Watch. Základem pro klasifikaci byl model složený z 1D konvolučních sítí v kombinaci s rekurentní neuronovou sítí. Jako rekurentní sítě byly využity LSTM a GRU. Modely byly naučeny na klasifikaci do dvou, třech a pěti spánkových fází. V poslední řadě byly srovnány vzniklé metody.
|
|
|
Sleep dynamics analysis using electrophysiological features
Lampert, Frederik ; Janoušek, Oto (oponent) ; Mívalt, Filip (vedoucí práce)
This thesis concerns with sleep assessment methods using electrophysiological features without the availability of annotations in the form of hypnograms. Sleep evaluation using polysomnographic (PSG) data is time-consuming process, that requires trained personnel and is usually done in a hospital environment. Novel implantable neural devices capable of continuous data recording and streaming open up possibilities of longitudinal and continual monitoring of sleep activity in a home environment for patients with neural diseases. Current state-of-the-art methods for longitudinal sleep analysis utilizes automated intracranial electroencephalography (iEEG) sleep classifiers developed and validated using clinical gold-standard PSG annotations. However, PSG is not always feasible to perform which leads to the necessity for a sleep assessment method, which could analyse sleep using electrophysiological features without the availability of goldstandard PSG annotations generally from a small number of electrodes. For this purpose a novel sleep assessment method was developed, which evaluates sleep based on the power of electroencephalographic (EEG) signal in the spectral bands with employment of the metrics called Power in Band (PIB) metrics. In this work power in the delta band (0.5-4 Hz) was used, as it has the highest amplitude among all of the bands and is the most prominent during the non-REM sleep states, therefore giving the most relevant information about the composition of sleep during the night. Moreover, standard hypnogram-based metrics were introduced for the purpose of the PIB metrics validation. These metrics were incorporated into (Python) programming language and applied on two publicly-available datasets Dreem Open Dataset-Healthy (DOD-H) and Dreem Open Dataset-Obstructive (DOD-O) containing polysomnographic recordings of 25 healthy subjects (DOD-H) and 56 subjects suffering from obstructive sleep apnea (OSA) (DODO dataset). The results of the analysis were evaluated by visual analysis in terms of boxplots, correlation matrices and statistical tests. From the results, it is possible to assume, that proposed PIB metrics have the ability to differentiate between physiologic and pathophysiologic sleep, although their ability to discriminate between some aspects differs from the metrics based on the hypnogram annotations. This implies the fact, that PIB metrics do not substitute the standard hypnogram-based metric, but rather provide different perspective on the sleep assessment.
|
|
|
Pokročilé hodnocení kvality spánku
Doležalová, Anna ; Králík, Martin (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato diplomová se zabývá pokročilým hodnocením kvality spánku pomocí hlubokého učení. Jsou zde popsány metriky pro hodnocení spánku a jejich využití. Pro klasifikaci jsou použity data tepové frekvence a akcelerometru pocházejících z chytrých hodinek Apple Watch. Základem pro klasifikaci byl model složený z 1D konvolučních sítí v kombinaci s rekurentní neuronovou sítí. Jako rekurentní sítě byly využity LSTM a GRU. Modely byly naučeny na klasifikaci do dvou, třech a pěti spánkových fází. V poslední řadě byly srovnány vzniklé metody.
|
|
|
Hodnocení kvality spánku
Benáček, Petr ; Králík, Martin (oponent) ; Ronzhina, Marina (vedoucí práce)
Tato bakalářská práce se zabývá automatickým hodnocením kvality spánku pomocí neuronových sítí. Pro hodnocení jsou využívána data o pohybu a tepové frekvenci naměřená pomocí chytrých hodinek Apple Watch. Z těchto dat byly vypočteny statistické veličiny, které byly následně využity jako vstup do navržených neuronových sítí. Jejich cílem bylo automaticky rozpoznat spánek a bdění. V tomto případě byla sensitivita 89 % a specificita 70 %, což jsou srovnatelné hodnoty s jinými studiemi. Dále byla data rozdělena také do kategorií W (bdění), NON REM a REM. Z výstupu vytvořených neuronových sítí byly odvozeny parametry hodnotící kvalitu spánku, jako například TST, % REM nebo sleep latency.
|
host ::
RSS.