|
|
Sleep quality assessment
Benáček, Petr ; Králík, Martin (referee) ; Ronzhina, Marina (advisor)
The topic of this bachelor thesis is an automatic sleep quality assessment using artificial neural network. To assess the quality of sleep were used the movement and heart rate data measured by Apple Watch smartwatch. From these data, statistical variables were calculated. Then were they used as an input to the neural networks. The goal was to automatically identify sleep and wakefulness. In this case, the sensitivity was 89 % and the specificity was 70 %. These values are comparable with other studies. Furthermore, the data were also divided into categories W (wakefulness), NON REM and REM. Parameters evaluating sleep quality, such as TST, % REM or sleep latency, were derived from the output of the neural networks created.
|
|
|
Advanced methods for sleep quality assessment
Doležalová, Anna ; Králík, Martin (referee) ; Ronzhina, Marina (advisor)
This diploma thesis is focused on advanced sleep assessment using deep learning. Metrics for sleep assessment and their use are described here. There are hearth rate and accelerometer data from Apple Watch used for classification. The basis for the classification was a model composed of 1D convolution networks in combination with recurrent neural network. LSTM and GRU were used as recurrent networks. Models were taught to classify into two, three and five phases. At last the resulting methods are compared.
|
|
|
Sleep dynamics analysis using electrophysiological features
Lampert, Frederik ; Janoušek, Oto (referee) ; Mívalt, Filip (advisor)
Táto práca sa zaoberá metódami detekcie spánku pomocou elektrofiziologických príznakov, bez dostupnosti anotácií v podobe hypnogramov. Vyhodnocovanie spánku pomocou polysomnografických (PSG) dát je časovo apersonálne náročný proces, ktorý sa odohráva zväčša vnemocničnom prostredí. Moderné implantabilné zariadenia schopné kontinuálneho snímania azdieľania dát otvárajú možnosť dlhodobého akontinuálneho monitorovania spánkovej aktivity upacientov snurologickými chorobami v domácom prostredí. Súčasné metódy na spánkovú detekciu využívajú intrakraniálne elektroencefalografické (iEEG) spánkové klasifikátory, ktoré sú tvorené a validované na štandardných polysomnografických dátach. Tie však nie sú vždy kdispozícii čo vedie kpotrebe vyvinutia metódy spánkového hodnotenia, ktorá by bola schopná analyzovať spánok pomocou elektrofyziologických príznakov aj bez dostupnosti anotácií v podobe hypnogramov ato obecne z malého počtu zvodov. Za týmto účelom bola navrhnutá metóda spánkového hodnotenia, ktorá vyhodnocuje spánok na základe výkonu elektroencefalografické (EEG) signálu v spektrálnej oblasti pomocou metrík zvaných Power in Band (PIB) metriky. V tejto práci bol analyzovaný výkon vdelta pásme (0,5-4 Hz), keďže EEG signál má vňom najvyššiu amplitúdu azároveň je jeho aktivita najviac výrazná počas N2 aN3 spánkových cyklov, ktoré sú najviac zastúpené vspánku počas noci, takže poskytujú najlepšiu informáciu orozložení spánku počas noci. Scieľom validácie PIB metrík boli taktiež predstavené štandardné metriky založené na hypnogramoch. Tieto metriky boli následne implementované do programovacieho prostredia Python a aplikované na dva voľne dostupné datasety, Dreem Open Dataset-Healthy (DOD-H) a Dreem Open Dataset-Obstructive (DOD-O) obsahujúce polysomnografické merania 25 zdravých jedincov (DOD-H dataset) a56 jedincov so syndrómom spánkového apnoe (OSA)(DOD-O dataset). Výsledky analýz boli vyhodnotené pomocou vizuálnej analýzy vo forme boxplotov, korelačných matíc a štatistických testov. Z výsledkov analýz vyplýva, že navrhnuté PIB metriky majú schopnosť rozlišovať medzi fyziologickým a patofyziologickým spánkom, avšak ich schopnosť rozlišovať niektoré aspekty spánku sa líši od štandardných metrík založených na hypnogramoch. Ztoho vyplýva, že PIB metriky nenahrádzajú štandardné metriky, ale skôr ponúkajú inú perspektívu na analýzu spánku.
|
|
|
Advanced methods for sleep quality assessment
Doležalová, Anna ; Králík, Martin (referee) ; Ronzhina, Marina (advisor)
This diploma thesis is focused on advanced sleep assessment using deep learning. Metrics for sleep assessment and their use are described here. There are hearth rate and accelerometer data from Apple Watch used for classification. The basis for the classification was a model composed of 1D convolution networks in combination with recurrent neural network. LSTM and GRU were used as recurrent networks. Models were taught to classify into two, three and five phases. At last the resulting methods are compared.
|
|
|
Sleep quality assessment
Benáček, Petr ; Králík, Martin (referee) ; Ronzhina, Marina (advisor)
The topic of this bachelor thesis is an automatic sleep quality assessment using artificial neural network. To assess the quality of sleep were used the movement and heart rate data measured by Apple Watch smartwatch. From these data, statistical variables were calculated. Then were they used as an input to the neural networks. The goal was to automatically identify sleep and wakefulness. In this case, the sensitivity was 89 % and the specificity was 70 %. These values are comparable with other studies. Furthermore, the data were also divided into categories W (wakefulness), NON REM and REM. Parameters evaluating sleep quality, such as TST, % REM or sleep latency, were derived from the output of the neural networks created.
|
guest ::
