Automatic sleep staging based on respiratory features

Sleep has a great influence on physical and psychological function in our daily life. The gold standard of its evaluation, however, is based on visual scoring of polysomnographic recordings on epochs of 30 seconds according to Rechtschaffen and Kales rules. This implies a number of limitations, which are the length of the process, the subjectivity of the classification, the cost of the needed equipment and the uncomfortable sleeping conditions, which can affect the quality of the sleep and, thus, clinical diagnosis. The purpose of this thesis is the development of an automatic algorithm for sleep staging based exclusively on respiratory effort signals, trying to overcome the limitations mentioned above by entrusting the task to a machine-learning method and allowing home monitoring. In addition, the reliability and the robustness of the algorithm to the cases of signal loss and sensor failure will be evaluated.

Il sonno ha un grande influenza sulle funzioni fisiche e psicologiche nelle nostra vita quotidiana. Il gold standard per la sua valutazione, tuttavia, si basa su valutazione visiva delle registrazioni polisonnografiche su epoche di 30 secondi secondo le regole di Rechtschaffen e Kales. Ciò comporta una serie di limiti, che sono la durata del processo, la soggettività della classificazione, costo della strumentazione necessaria e condizioni di sonno poco confortevoli che possono influire sulla qualità del sonno e, quindi, sulla diagnosi clinica. Lo scopo di questa tesi è lo sviluppo di un algoritmo automatico per la stadiazione del sonno basato esclusivamente su segnali di sforzo respiratorio, cercando di superare i limiti sopra menzionato, affidando il compito a un metodo ad apprendimento automatico e permettendo il monitoraggio domiciliare. Verranno, inoltre, valutate l’affidabilità e la robustezza dell’algoritmo rispetto ai casi di perdita di segnale e guasto di sensore.