Please use this identifier to cite or link to this item: http://hdl.handle.net/1822/49391

TitleOn the improvement of sleep onset latency detection and sleep-wake classification using cardiorespiratory features
Author(s)Azevedo, Cármina Augusta Pereira
Advisor(s)Novais, Paulo
Fonseca, Pedro Miguel
KeywordsMachine 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
Issue date12-Aug-2016
Abstract(s)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.
TypeMaster thesis
DescriptionDissertação de mestrado integrado em Engenharia Biomédica (área de especialização em Informática Médica)
URIhttp://hdl.handle.net/1822/49391
AccessEmbargoed access (3 Years)
Appears in Collections:DI - Dissertações de Mestrado
BUM - Dissertações de Mestrado Integrado

Files in This Item:
File Description SizeFormat 
Carmina Augusta Pereira Azevedo.pdf
  Restricted access
Tese3,09 MBAdobe PDFView/Open    Request a copy!

Partilhe no FacebookPartilhe no TwitterPartilhe no DeliciousPartilhe no LinkedInPartilhe no DiggAdicionar ao Google BookmarksPartilhe no MySpacePartilhe no Orkut
Exporte no formato BibTex mendeley Exporte no formato Endnote Adicione ao seu ORCID