Analýza aktigrafických a behaviorálních dat

Abstract

Spánek patří mezi nejdůležitější faktory určující lidské zdraví. Sledování spánkového chování a nastavení zdravých spánkových návyků proto mohou nést nedocenitelný užitek. Aktigrafie líčící lidskou aktivitu v průběhu dne je nejčastěji používanou metodou určování doby a kvality spánku v oblasti biomedicínského výzkumu. Nesvědomitost uživatele však může mít u tohoto způsobu detekce spánku za následek hluchá místa. Jednoduchost aktigrafie navíc limituje možnosti modelů založených čistě na aktigrafických datech. V naší práci zkoumáme využití behaviorálních dat popisujících návyky v užívání chytrého telefonu za účelem detekce spánku. Součástí práce je organizace malé výzkumné studie, jíž se zúčastnilo 21 dobrovolníků, s cílem vytvořit dostačně velký dataset. Následně je na datech získaných z aktigrafického senzoru natrénován náhodný les dosahující ve spánkové detekci přesnosti 89.05\% napříč testovacími sety křížové validace. Zjišťujeme, že z důvodů nižší variability a častých výpadků ve sběru dat jsou podobné výsledky nedosažitelné pro data z gyroskopického senzoru. Kromě toho také navrhujeme rozšíření moderního spánkového modelu, jež vede k drobnému zlepšení schopnosti modelu detekovat spánek.

Sleep belongs among the most critical determinants of a person's health. Consequently, it might prove invaluable to track one's sleeping patterns and establish a healthy sleep routine. In the field of biomedical research, actigraphic data depicting one's activity throughout the day are most commonly employed to determine the sleep duration and quality. However, the means of collecting the data can produce significant blank spots if the user is not conscientious. Furthermore, sleep detection performance based on actigraphic data is limited due to its simplicity. We investigate the usability of behavioural data representing smartphone device usage patterns for sleep detection. We conduct a small-scale research study joined by twenty-one volunteers to produce a reasonably large dataset. Subsequently, we train a random forest classifier on the collected accelerometer data achieving mean accuracy of 89.05\% across cross-validation testing sets. We find that gyroscope data cannot be utilised in the same manner due to lower variability and frequent breaks in data collection. Finally, we propose a post-processing extension of a state-of-the-art sleep detection model resulting in a minor improvement in its sleep detection capabilities.