Klasifikace parasomních epizod v celonočním polysomnografickém záznamu

Abstract

Tato bakalářská práce se věnuje tématu jedné z poruch spánku zvané parasomnie a její detekci z EEG signálů nahraných pomocí polysomnografie. Detekce a klasifikace parasomnie je zatím obvykle prováděna spánkovým expertem, což je časově velmi náročné. Automatická detekce by v této oblasti byla velkým přínosem. V této práci byly během explorační analýzy z kanálů Cz a Fz EEG signálů a také z nezávislých komponent (nalezených pomocí analýzy nezávislých komponent (ICA) v programu EEGLAB) vybrány a extrahovány příznaky. Tyto příznaky byly déle využity ve vytvořených klasifikátorech. V některých z klasifikátorů byly použity metody rozhodovacích stromů a Random Forest. Klasifikátory byly následně evaluovány na zadaném datasetu obsahujícím parasomní a fyziologické epizody. Nejlepší klasifikátor využívající příznaky získané z kanálu Fz a Cz dosáhl přesnosti 81% se senzitivitou 73% a nejlepší klasifikátor využívající příznaky získané z nezávislých komponent dosáhl přesnosti 83% se senzitivitou 78%.

This bachelor thesis deals with a topic of sleep disorder called parasomnia and its detection from EEG signals recorded by polysomnography. Detection and classification of parasomnias is so far usually performed by a sleep expert, which is very time consuming. An automatic detection would be of great help in this field. In this work, during exploratory analysis, symptoms were selected and extracted from Cz and Fz channels of EEG signals as well as from independent components (found by independent component analysis (ICA) in EEGLAB software). These features were further used in the developed classifiers. Decision tree and Random Forest methods were used in some of the classifiers. The classifiers were then evaluated on a given dataset containing parasomatic and physiological episodes. The best classifier using features extracted from the Fz and Cz channels achieved an accuracy of 81% with a sensitivity of 73%, and the best classifier using features extracted from independent components achieved an accuracy of 83% with a sensitivity of 78%.