On the improvement of sleep onset latency detection and sleep-wake classification using cardiorespiratory features

Detalhes bibliográficos
Autor(a) principal: Azevedo, Cármina Augusta Pereira
Data de Publicação: 2016
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/49391
Resumo: Dissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Informática Médica)
id RCAP_acc9f98fd14433746a9121684cac3e2a
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/49391
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling On the improvement of sleep onset latency detection and sleep-wake classification using cardiorespiratory featuresMachine learningSleep stagingSleep/wake detectionSleep classificationSleep monitoringSleep onset latencyCardiorespiratory featuresActigraphyAprendizagem-maquinaClassificação de sonoDetecção sleep/wakeLatência de sonoFeatures cardiorrespiratóriasMonitorização do sonoActigrafiaEngenharia e Tecnologia::Engenharia MédicaDissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Informática Médica)This document describes an investigation performed at Philips Research (Eindhoven, The Netherlands) which aimed at improving the performance of Philips current sleep/wake classification methods using portable devices based on unobtrusive cardiorespiratory signal modalities. Particularly, this research focused on improving the detection of the Sleep Onset Latency (SOL) parameter. Using a data set with recordings of healthy subjects, several alternative classification models were built, evaluated and compared to the current classifier. It was found that the performance of the current classifier, regarding SOL detection, decreases with increasing SOL, leading to an underestimation of this parameter, and possibly undervaluation of symptoms of sleep disruptions or even sleep disorders, during medical diagnosis. The main issue associated to this fault is that the current classifier is trained with examples from the entire night and therefore, for subjects with extended SOL periods, fails to capture the characteristics of wake before the initiation of sleep. In this report a new method of distinguishing sleep from wake, to be applied with recordings of subjects with SOL over 30 minutes, is proposed. The new method comprises two steps: one specially dedicated to identify wake before the initiation of sleep (and more accurately detect the moment of Sleep Onset (SO)), and the other one to distinguish wake after SOL. Hence, it requires the use of two classifiers which differ regarding techniques for feature selection and are trained with examples of different periods of the night recordings.O presente documento descreve uma investigação desenvolvida na instituição Philips Research (Eindhoven, The Netherlands). O objetivo deste trabalho é melhorar o desempenho de atuais métodos Philips de classificação sleep/wake que utilizam dispositivos portáteis baseados na aquisição de sinais cardiorrespiratórios. Em particular, este trabalho foca o melhoramento do desempenho desta tecnologia na deteção do período de latência de sono. Utilizando um dataset que inclui registos de gravações noturnas de sujeitos saudáveis, vários modelos de classificação foram construídos, avaliados e comparados com o modelo atual. Verificou-se que o desempenho do classificador atual, no que diz respeito à deteção do período de latência de sono, é inferior para sujeitos com dificuldade em adormecer (com latência de sono superior a 30 minutos [1]) o que conduz a uma subestimação deste parâmetro e, possivelmente, à subestimação de sintomas de distúrbios associados com o sono, aquando do diagnóstico médico. Esta falha no desempenho está relacionada com o facto de o modelo de classificação atual ser treinado com exemplos de gravações noturnas completas, fazendo com que, para sujeitos com períodos de latência de sono prolongados, as caraterísticas da classe wake antes da iniciação do sono, não sejam bem capturadas. Nesta dissertação é proposto um novo método para a deteção sleep/wake destinado a pessoas com latência de sono superior a 30 minutos. Este método inclui dois passos: o primeiro destinado especificamente à identificação da classe wake durante o período de latência de sono (detetando-o a sua duração com maior eficácia) e o segundo com o objectivo de distinguir wake durante o restante tempo da noite de sono. Assim, torna-se necessária a utilização de dois classificadores que diferem relativamente às técnicas utilizadas para a seleção de features e utilizam diferentes exemplos de treino, isto é, períodos distintos das gravações noturnas.Novais, PauloFonseca, Pedro MiguelUniversidade do MinhoAzevedo, Cármina Augusta Pereira2016-08-122016-08-12T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/49391eng201553651info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:32:44Zoai:repositorium.sdum.uminho.pt:1822/49391Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:28:07.586284Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv On the improvement of sleep onset latency detection and sleep-wake classification using cardiorespiratory features
title On the improvement of sleep onset latency detection and sleep-wake classification using cardiorespiratory features
spellingShingle On the improvement of sleep onset latency detection and sleep-wake classification using cardiorespiratory features
Azevedo, Cármina Augusta Pereira
Machine learning
Sleep staging
Sleep/wake detection
Sleep classification
Sleep monitoring
Sleep onset latency
Cardiorespiratory features
Actigraphy
Aprendizagem-maquina
Classificação de sono
Detecção sleep/wake
Latência de sono
Features cardiorrespiratórias
Monitorização do sono
Actigrafia
Engenharia e Tecnologia::Engenharia Médica
title_short On the improvement of sleep onset latency detection and sleep-wake classification using cardiorespiratory features
title_full On the improvement of sleep onset latency detection and sleep-wake classification using cardiorespiratory features
title_fullStr On the improvement of sleep onset latency detection and sleep-wake classification using cardiorespiratory features
title_full_unstemmed On the improvement of sleep onset latency detection and sleep-wake classification using cardiorespiratory features
title_sort On the improvement of sleep onset latency detection and sleep-wake classification using cardiorespiratory features
author Azevedo, Cármina Augusta Pereira
author_facet Azevedo, Cármina Augusta Pereira
author_role author
dc.contributor.none.fl_str_mv Novais, Paulo
Fonseca, Pedro Miguel
Universidade do Minho
dc.contributor.author.fl_str_mv Azevedo, Cármina Augusta Pereira
dc.subject.por.fl_str_mv Machine learning
Sleep staging
Sleep/wake detection
Sleep classification
Sleep monitoring
Sleep onset latency
Cardiorespiratory features
Actigraphy
Aprendizagem-maquina
Classificação de sono
Detecção sleep/wake
Latência de sono
Features cardiorrespiratórias
Monitorização do sono
Actigrafia
Engenharia e Tecnologia::Engenharia Médica
topic Machine learning
Sleep staging
Sleep/wake detection
Sleep classification
Sleep monitoring
Sleep onset latency
Cardiorespiratory features
Actigraphy
Aprendizagem-maquina
Classificação de sono
Detecção sleep/wake
Latência de sono
Features cardiorrespiratórias
Monitorização do sono
Actigrafia
Engenharia e Tecnologia::Engenharia Médica
description Dissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Informática Médica)
publishDate 2016
dc.date.none.fl_str_mv 2016-08-12
2016-08-12T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/49391
url https://hdl.handle.net/1822/49391
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 201553651
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799132775427604480

Registros relacionados