Detekce cyklu spánek-bdění a spánkových stádií z aktigrafického záznamu

Abstract

Cílem této práce je vyhodnotit existující algoritmy používané k detekci spánku a bdění v dlouhodobých aktigrafických záznamech a prozkoumat možnosti identifikace jednotlivých spánkových stádií které se vyskytují v průběhu spánku. Aktigrafie je široce uznávaná jako vhodná levná a pohodlná alternativa k polysomnografii pro identifikaci spánku a bdění. Zatímco většina stávajících využití a algoritmů se soustředí hlavně na detekci spánku a bdění v průběhu noci, hlavním cílem této práce je vyhodnotit jejich schopnosti identifikovat období spánku a bdění v dlouhodobých záznamech a porovnat jejich výsledky s daty získanými ze spánkových deníků. Pro ověření bylo implementováno několik existujících algoritmů, které byly následně vyhodnoceny na datech z dlouhodobé aktigrafické studie. Také byl navržen nový algoritmus založený na rozhodovacích stromech a jednoduchých ukazatelích, stejně jako nová metoda následného zpracování, která dosahuje lepších výsledků než stávající řešení. V druhé části této práce byla provedena explorační analýza dat získaných ze souběžně pořízených záznamů z aktigrafie a polysomnografie pro vyhodnocení možností detekce spánkových stádií během noci. Dále bylo vytvořeno několik modelů k automatické detekci spánkových stádií na základě aktigrafických dat a aktigrafických dat v kombinaci se záznamem srdečního rytmu. Nicméně dosažené výsledky při identifikaci jednotlivých spánkových stádií nejsou příliš povzbudivé, a jak naznačují i další zdroje, aktigrafie i v kombinaci se záznamy srdečního rytmu možná neobsahují potřebné informace a bude tak potřeba dalšího výzkumu.

The aim of this thesis is to review and evaluate the performance of existing algorithms used to detect sleep-wake periods from a long term actigraphy signal and investigate the possibility to identify different sleep stages that occur during sleep. Wrist actigraphy has been widely recognized as a suitable low cost and low intrusive alternative to polysomnography for sleep and wake identification. While most of the current applications and algorithms focus mainly on detecting sleep and wakefulness during the night, the main goal of this thesis is to evaluate their ability to identify sleep and wake periods in long-term recordings and compare the results to ground truth obtained from sleep diaries. Several existing algorithms were implemented and evaluated on a data set from a long term actigraphy study. Also a new algorithm based on decision trees and simple features is proposed as well as a new post-processing method which outperforms existing solutions. In the second part of this work, exploratory data analysis was performed using data obtained from simultaneous actigraphy and polysomnography recordings to investigate the possibility of sleep stages detection during the night. Further on, several machine learning models were developed for automatic detection of sleep stages using actigraphy data or actigraphy in a combination with heart rate signals. However, the results of identifying different sleep stages are not very promising and as other sources suggest, wrist actigraphy even in combination with heart rate signals might not contain the necessary information to do so and further research might be needed.