|
|
Porovnání specializovaných aktigrafů s komerčně dostupnými zařízeními při kvantitativní analýze spánku
Čech, Vladimír ; Zvončák, Vojtěch (oponent) ; Mikulec, Marek (vedoucí práce)
Aktigrafie a chytrá nositelná zařízení poskytují podobnou funkcionalitu při kvantitativní analýze spánku. Cílem této práce je ověřit jakým způsobem obstojí běžná nositelná zařízení v porovnání se specializovaným aktigrafem využívaným v klinické praxi. Aktigraf použitý v této práci byl Geneactiv Original a sloužil k porovnání výsledků spánkové analýzy celkem u jedenácti komerčně dostupných zařízení. Měření pro devět z měřených zařízení probíhalo po dobu jednoho týdne, pro dvě zařízení po dobu šesti dní. Během spánku bylo zařízení nošeno na stejné ruce jako aktigraf a zároveň byl veden spánkový deník, do kterého se zapisovaly údaje o času ulehnutí, času probuzení a počtu probuzení za noc. Po týdnu měření byla data získána z aktigrafu vyhodnocena softwarem a následně bylo provedeno srovnání s daty, které poskytlo druhé zařízení. V této práci jsou porovnány údaje o celkové době spánku, době usínání, počtu probuzení během noci a spánkové efektivitě. Deset z jedenácti zařízení naměřily oproti aktigrafu vyšší celkovou dobu spánku a vyšší efektivitu spánku. Tato zařízení naměřila celkovou dobu spánku vyšší o 1,21 % – 12,06 % a spánkovou efektivitu naměřila vyšší o 2,86 % – 13,86 %. Jedno zařízení, konkrétně Fossil Sport naměřilo celkový čas spánku nižší o 9,02 % a efektivitu spánku nižší o 9,13 %. Doba usínání byla nejvíce odlišný parametr. Běžná zařízení měřily dobu usínání vyšší o 86,72 % – 1225,95 %. Počet probuzení během noci pak ani jeden typ zařízení nedokázal spolehlivě určit, pokud se nejednalo o výraznou pohybovou aktivitu během noci. Z výsledků práce nelze obecně říct, že by všechna komerčně dostupná zařízení byla spolehlivou náhradou za aktigrafii.
|
|
|
Porovnání specializovaných aktigrafů s komerčně dostupnými zařízeními při kvantitativní analýze spánku
Čech, Vladimír ; Zvončák, Vojtěch (oponent) ; Mikulec, Marek (vedoucí práce)
Aktigrafie a chytrá nositelná zařízení poskytují podobnou funkcionalitu při kvantitativní analýze spánku. Cílem této práce je ověřit jakým způsobem obstojí běžná nositelná zařízení v porovnání se specializovaným aktigrafem využívaným v klinické praxi. Aktigraf použitý v této práci byl Geneactiv Original a sloužil k porovnání výsledků spánkové analýzy celkem u jedenácti komerčně dostupných zařízení. Měření pro devět z měřených zařízení probíhalo po dobu jednoho týdne, pro dvě zařízení po dobu šesti dní. Během spánku bylo zařízení nošeno na stejné ruce jako aktigraf a zároveň byl veden spánkový deník, do kterého se zapisovaly údaje o času ulehnutí, času probuzení a počtu probuzení za noc. Po týdnu měření byla data získána z aktigrafu vyhodnocena softwarem a následně bylo provedeno srovnání s daty, které poskytlo druhé zařízení. V této práci jsou porovnány údaje o celkové době spánku, době usínání, počtu probuzení během noci a spánkové efektivitě. Deset z jedenácti zařízení naměřily oproti aktigrafu vyšší celkovou dobu spánku a vyšší efektivitu spánku. Tato zařízení naměřila celkovou dobu spánku vyšší o 1,21 % – 12,06 % a spánkovou efektivitu naměřila vyšší o 2,86 % – 13,86 %. Jedno zařízení, konkrétně Fossil Sport naměřilo celkový čas spánku nižší o 9,02 % a efektivitu spánku nižší o 9,13 %. Doba usínání byla nejvíce odlišný parametr. Běžná zařízení měřily dobu usínání vyšší o 86,72 % – 1225,95 %. Počet probuzení během noci pak ani jeden typ zařízení nedokázal spolehlivě určit, pokud se nejednalo o výraznou pohybovou aktivitu během noci. Z výsledků práce nelze obecně říct, že by všechna komerčně dostupná zařízení byla spolehlivou náhradou za aktigrafii.
|
|
|
Dynamic Bayesian Networks for the Classification of Sleep Stages
Vomlel, Jiří ; Kratochvíl, Václav
Human sleep is traditionally classified into five (or six) stages. The manual classification is time consuming since it requires knowledge of an extensive set of rules from manuals and experienced experts. Therefore automatic classification methods appear useful for this task. In this paper we extend the approach based on Hidden Markov Models by relating certain features not only to the current time slice but also to the previous one. Dynamic Bayesian Networks that results from this generalization are thus capable of modeling features related to state transitions. Experiments on real data revealed that in this way we are able to increase the prediction accuracy.
|
|
| |
host ::
RSS.