Metody strojového učení pro detekci událostí v polysomnografických záznamech

Abstract

Poruchy spánku se diagnostikují ve spánkové laboratoři pomocí polysomnografie, což je víceparametrové vyšetření, které monitoruje biologické signály v průběhu spánku. Následné hodnocení získaných záznamů je velice časově náročné. Cílem diplomové práce je vytvořit automatický systém hodnocení polysomnografických záznamů za pomocí strojového učení. Použitá data pro práci jsou ve formátu EASYS2 z Oddělení spánkové medicíny v Národním ústavu duševního zdraví (NUDZ). V rámci studie spánkových příznaků byla porovnána lineární (PCA) a nelineární (t-SNE) metoda redukce dimenze dat. Pro detekci spánkové apnoe a poklesu saturace krve kyslíkem byla navržena hluboká konvoluční neuronová síť, která využívá signál průtoku vzduchu dutinou nosní a signál saturace krve kyslíkem. Pro porovnání přesnosti neuronové sítě byla využita metoda k nejbližšího souseda (kNN). Detekce spánkové apnoe ze signálu průtoku vzduchu dutinou nosní dosahovala nejvyšší přesnosti na surových datech. Přesnost po aplikaci lineární redukce dimenze dat byla větší než po aplikaci nelineární redukce dimenze dat. Výsledná přesnost neuronové sítě při detekci apnoí dosáhla 84 % a při detekci desaturací 74 %. Výpočet pomocí kNN pro detekci apnoí dosáhl přesnosti 83 % a pro detekci desaturací 64 %. Výsledná hluboká konvoluční neuronové síť byla implementována do rutinního řetězce zpracování polysomnografických záznamů pomocí jednoduchého grafického rozhraní v NUDZ.

The sleep disorders are diagnosed in sleep laboratory by polysomnography, which is multiparameter examination, that monitors biological signals during sleep. Subsequent evaluation of the obtained records is very time consuming. The goal of this thesis is to create automatic system for evaluation polysomnography records by usage of machine learning techniques. Data used in this thesis are in EASYS2 format from Division of Sleep Medicine in the National Institute of Mental Health (NIMH). As part of the study of sleep features the linear (PCA) and non-linear (t-SNE) method for data dimension reduction were compared. To detect sleep apnea and a decrease in blood oxygen saturation, a deep convolutional neural network was designed. This neural network uses the nasal airflow signal and the blood oxygen saturation signal. The k nearest neighbor method (kNN) was used to compare the accuracy of the neural network. A study of sleep features showed that the detection of sleep apnea from the nasal airflow signal achieved the highest accuracy on the raw dataset. The accuracy after applying the linear dimension reduction was greater than after applying the nonlinear dimension reduction. The final neural network accuracy for apnea detection reached 84 % and for desaturation detection 74 %. The kNN calculation for apnea detection reached an accuracy of 83 % and for desaturation detection 64 %. The final deep convolutional neural network was implemented into a routine chain of polysomnographic record processing using a simple graphical interface in NIMH.