Refine
Document Type
- Conference Proceeding (13)
- Article (3)
- Other Publications (1)
Has Fulltext
- no (17)
Keywords
- Apnoe (1)
- Atmung (2)
- Atmungssignal (1)
- Bewegung (1)
- Bewegungssignal (1)
- Biomedical signal processing (1)
- Breathing (1)
- FSR sensor (1)
- Heart rate (1)
- Herzfrequenz (1)
Institute
This paper presents a generic method to enhance performance and incorporate temporal information for cardiorespiratory-based sleep stage classification with a limited feature set and limited data. The classification algorithm relies on random forests and a feature set extracted from long-time home monitoring for sleep analysis. Employing temporal feature stacking, the system could be significantly improved in terms of Cohen’s κ and accuracy. The detection performance could be improved for three classes of sleep stages (Wake, REM, Non-REM sleep), four classes (Wake, Non-REM-Light sleep, Non-REM Deep sleep, REM sleep), and five classes (Wake, N1, N2, N3/4, REM sleep) from a κ of 0.44 to 0.58, 0.33 to 0.51, and 0.28 to 0.44 respectively by stacking features before and after the epoch to be classified. Further analysis was done for the optimal length and combination method for this stacking approach. Overall, three methods and a variable duration between 30 s and 30 min have been analyzed. Overnight recordings of 36 healthy subjects from the Interdisciplinary Center for Sleep Medicine at Charité-Universitätsmedizin Berlin and Leave-One-Out-Cross-Validation on a patient-level have been used to validate the method.
In diesem Beitrag wird eine Methode des maschinellen Lernens entwickelt, die die Schlafstadienerkennung untersucht. Übliche Methoden der Schlafanalyse basieren auf der Polysomnographie (PSG). Der präsentierte Ansatz basiert auf Signalen, die ausschließlich nicht-invasiv in einer häuslichen Umgebung gemessen werden können. Bewegungs-, Herzschlags- und Atmungssignale können vergleichsweise leicht erfasst werden aber die Erkennung der Schlafstadien ist dadurch erschwert. Die Signale werden als Zeitreihenfolge strukturiert und in Epochen überführt. Die Leistungsfähigkeit von maschinellem Lernen wird der Polysomnographie gegenübergestellt und bewertet.
Long-term sleep monitoring can be done primarily in the home environment. Good patient acceptance requires low user and installation barriers. The selection of parameters in this approach is significantly limited compared to a PSG session. The aim is a qualified selection of parameters, which on the one hand allow a sufficiently good classification of sleep phases and on the other hand can be detected by non-invasive methods.
The process of restoring our body and brain from fatigue is directly depend-ing on the quality of sleep. It can be determined from the report of the sleep study results. Classification of sleep stages is the first step of this study and this includes the measurement of biovital data and its further processing.
In this work, the sleep analysis system is based on a hardware sensor net, namely a grid of 24 pressure sensors, supporting sleep phase recognition. In comparison to the leading standard, which is polysomnography, the proposed approach is a non-invasive system. It recognises respiration and body move-ment with only one type of low-cost pressure sensors forming a mesh archi-tecture. The nodes implement as a series of pressure sensors connected to a low-power and performant microcontroller. All nodes are connected via a system wide bus with address arbitration. The embedded processor is the mesh network endpoint that enables network configuration, storing and pre-processing of the data, external data access and visualization.
The system was tested by executing experiments recording the sleep of different healthy young subjects. The results obtained have indicated the po-tential to detect breathing rate and body movement. A major difference of this system in comparison to other approaches is the innovative way to place the sensors under the mattress. This characteristic facilitates the continuous using of the system without any influence on the common sleep process.
This document presents an algorithm for a non-obtrusive recognition of Sleep/Wake states using signals derived from ECG, respiration, and body movement captured while lying in a bed. As a core mathematical base of system data analytics, multinomial logistic regression techniques were chosen. Derived parameters of the three signals are used as the input for the proposed method. The overall achieved accuracy rate is 84% for Wake/Sleep stages, with Cohen’s kappa value 0.46. The presented algorithm should support experts in analyzing sleep quality in more detail. The results confirm the potential of this method and disclose several ways for its improvement.
Das häusliche Umfeld kann vor allem für langfristiges Schlafmonitoring verwendet werden. Gute Patientenakzeptanz erfordert niedrige Nutzer- und Installationsbarrieren. Für die Installation zu Hause sind klassische PSG-Systeme aufgrund von ihrer Komplexität wenig passend. Ziel der Entwicklung ist die qualifizierte Erhebung von Parametern, die einerseits eine hinreichend gute Klassifikation von Schlafphasen erlauben und die andererseits durch nicht-invasive Methoden erfasst werden können.
Basierend auf einer Literaturstudie und der Maßgabe nicht-invasive Methoden zu nutzen, wurden folgende Parameter ausgewählt: Körperbewegung, Atmung und Herzschlag. Diese Parameter können nicht-invasiv durch Matratzendrucksensoren erfasst werden. Die Sensorknoten sind als ein Netz von Drucksensoren implementiert, die mit einem leistungsarmen und performanten Mikrocontroller verbunden sind. Alle Knoten sind über einen systemweiten Bus mit Adressarbitrierung verbunden. Der eingebettete Prozessor ist der Mesh-Netzwerk-Endpunkt, der die Netzwerkkonfiguration, Speicherung und Vorverarbeitung der Daten, externen Datenzugriff und Visualisierung ermöglicht.
Das System wurde getestet, indem Experimente durchgeführt wurden, die den Schlaf verschiedener gesunder junger Personen aufzeichneten. Die erhaltenen Ergebnisse bestätigen die Fähigkeit des Systems, Atemfrequenz und Körperbewegung zu erfassen. Ein wesentlicher Unterschied dieses Systems im Vergleich zu anderen Ansätzen ist die innovative Art, die Sensoren unter der Matratze zu platzieren. Diese Eigenschaft erleichtert die kontinuierliche Nutzung des Systems ohne Einfluss auf den gemeinsamen Schlafprozess.
Um Schlafverhalten langfristig zu untersuchen, wird ein Hardwaresystem mit niedrigen Installationsbarrieren für den Einsatz im häuslichen Umfeld. Erste Ergebnisse weisen auf das Potenzial hin, außer Körperbewegung und Atemfrequenz, auch Herzfrequenz erfassen zu können. Die Werte können weiter verbessert werden, wenn die Sensorabfragefrequenz erhöht wird. Nach der Weiterentwicklung des Systems, soll es mit dem Softwarealgorithmus für die Schlafphasenerkennung verbunden werden.
Die Schlafapnoe ist eine häufig auftretende Schlafstörung,
die unterschiedliche Auswirkungen auf unseren Alltag hat; so wurde z. B.
über eine Tagesschläfrigkeit von etwa 25 % der Patienten mit obstruktiver
Schlafapnoe (OSA) berichtet. Ziel dieser Arbeit ist die Entwicklung eines
Systems, das eine nichtinvasive Erkennung der Schlafapnoe in häuslicher
Umgebung ermöglichen soll.
Recognition of sleep and wake states is one of the relevant parts of sleep analysis. Performing this measurement in a contactless way increases comfort for the users. We present an approach evaluating only movement and respiratory signals to achieve recognition, which can be measured non-obtrusively. The algorithm is based on multinomial logistic regression and analyses features extracted out of mentioned above signals. These features were identified and developed after performing fundamental research on characteristics of vital signals during sleep. The achieved accuracy of 87% with the Cohen’s kappa of 0.40 demonstrates the appropriateness of a chosen method and encourages continuing research on this topic.