On the improvement of sleep onset latency detection and sleep-wake classification using cardiorespiratory features
Autor(a) principal: | |
---|---|
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 |