The growing awareness of the importance of proper diagnosis of sleep disorders has led to an increasing need of overnight monitoring of patients. The traditional approach to sleep analysis is polysomnography, a multiparametric test that provides for measurement of physiological quantities linking various sensors to the patient's body in different areas. It is considered the gold standard in medical field, but it has many disadvantages: it is expensive, obtrusive, unsuitable for domestic use and requires many resources in terms of technicians and instrumentation. The study of non-invasive methods for monitoring breathing during sleep has found interest in research in recent years, with the aim of overcoming some of the drawbacks of polysomnography. The techniques based on digital imaging are receiving particular attention, motivated by the recent production of easy-to-use and low-cost sensors for acquisition of depth images. The present thesis introduces a method for tracking of breathing in sleep developed from real acquisitions using the depth sensor of Microsoft Kinect v2 device. The aim of the work is to reconstruct a signal representing the subject's breathing using the depth maps and to extract selected features (frequency and regularity) from each segment of the signal. The features extracted are compared with the ones extracted in the simultaneous polysomnographic record, in order to determine the accuracy of the proposed procedure. A Bayesian classification has been also obtained from the features selected and the classes (the sleep stages), with the aim of assigning a class to generic instances. The method results to have satisfying accuracy, particularly in identification of frequency (mean error of 3.48%). The regularity feature is crucial to distinguish the sleep stages. Classification from both signals has accuracy of around 89% when 2 classes are distinguished (Wake, Sleep), whereas it decreases noticeably when 3 classes are considered (Wake, NonREM, REM). Evaluation of results indicates that proper developments of this method can be employed to obtain reliable information about breathing of subjects in sleep. The non-invasive and low-cost system is suitable for being inserted in the monitoring routines of patients, possibly in domestic environment.

La crescente consapevolezza dell'importanza di adeguata diagnosi dei disturbi del sonno ha portato a una sempre maggiore necessità di monitorare i pazienti in sessioni notturne. L'approccio tradizionale all'analisi del sonno è la polisomnografia, un test multiparametrico che prevede la misurazione di varie grandezze fisiologiche tramite sensori collegati al corpo del paziente in diverse aree. L'efficacia del metodo è comunemente accettata, ma esso ha molti svantaggi: costo, invasività, inadeguatezza ad un utilizzo in ambito domestico e mole di risorse che richiede in termini di personale e strumentazione. Lo studio di metodi non invasivi per monitorare il respiro durante il sonno ha trovato interesse in ricerca negli ultimi anni, con l'obiettivo di superare gli inconvenienti della polisomnografia. Le tecniche basate sull'acquisizione di immagini digitali stanno ricevendo particolare attenzione, motivata dalla recente produzione di sensori per acquisire immagini di profondità di semplice utilizzo e basso costo. La presente tesi introduce un metodo per il tracciamento del respiro nel sonno sviluppato a partire da acquisizioni reali utilizzando il sensore di profondità del dispositivo Microsoft Kinect v2. L'obiettivo del lavoro è di ricostruire un segnale rappresentante il respiro del soggetto tramite le immagini di profondità e di estrarre una selezione di caratteristiche (frequenza e regolarità) da ciascun segmento del segnale. Le caratteristiche estratte sono confrontate con quelle della contemporanea registrazione polisomnografica, per determinare l'accuratezza del procedimento proposto. È stata inoltre ottenuta una classificazione bayesiana a partire dalle caratteristiche selezionate e dalle classi (le fasi del sonno), al fine di attribuire una classe ad istanze generiche. Il metodo risulta avere soddisfacente accuratezza, in particolare nell'identificazione della frequenza (errore medio: 3.48%). La caratteristica di regolarità risulta cruciale per distinguere le fasi del sonno. La classificazione a partire da entrambi i segnali ha accuratezza di circa 89% distinguendo solo due classi (Veglia, Sonno), mentre scende notevolemente considerandone tre (Veglia, NonREM, REM). La valutazione dei risultati indica che adeguati sviluppi del metodo presentato possono essere utilizzati per ottenere informazioni affidabili sulla respirazione di soggetti nel sonno. Il sistema, non invasivo e a basso costo, è adatto ad essere inserito nelle routine di monitoraggio di pazienti, eventualmente in ambito domestico.

Image processing and three dimensional modeling using Microsoft Kinect v2 in analysis of sleep disorders

CENTONZE, FABIO
2014/2015

Abstract

The growing awareness of the importance of proper diagnosis of sleep disorders has led to an increasing need of overnight monitoring of patients. The traditional approach to sleep analysis is polysomnography, a multiparametric test that provides for measurement of physiological quantities linking various sensors to the patient's body in different areas. It is considered the gold standard in medical field, but it has many disadvantages: it is expensive, obtrusive, unsuitable for domestic use and requires many resources in terms of technicians and instrumentation. The study of non-invasive methods for monitoring breathing during sleep has found interest in research in recent years, with the aim of overcoming some of the drawbacks of polysomnography. The techniques based on digital imaging are receiving particular attention, motivated by the recent production of easy-to-use and low-cost sensors for acquisition of depth images. The present thesis introduces a method for tracking of breathing in sleep developed from real acquisitions using the depth sensor of Microsoft Kinect v2 device. The aim of the work is to reconstruct a signal representing the subject's breathing using the depth maps and to extract selected features (frequency and regularity) from each segment of the signal. The features extracted are compared with the ones extracted in the simultaneous polysomnographic record, in order to determine the accuracy of the proposed procedure. A Bayesian classification has been also obtained from the features selected and the classes (the sleep stages), with the aim of assigning a class to generic instances. The method results to have satisfying accuracy, particularly in identification of frequency (mean error of 3.48%). The regularity feature is crucial to distinguish the sleep stages. Classification from both signals has accuracy of around 89% when 2 classes are distinguished (Wake, Sleep), whereas it decreases noticeably when 3 classes are considered (Wake, NonREM, REM). Evaluation of results indicates that proper developments of this method can be employed to obtain reliable information about breathing of subjects in sleep. The non-invasive and low-cost system is suitable for being inserted in the monitoring routines of patients, possibly in domestic environment.
PROCHAZKA, ALES
ING - Scuola di Ingegneria Industriale e dell'Informazione
18-dic-2015
2014/2015
La crescente consapevolezza dell'importanza di adeguata diagnosi dei disturbi del sonno ha portato a una sempre maggiore necessità di monitorare i pazienti in sessioni notturne. L'approccio tradizionale all'analisi del sonno è la polisomnografia, un test multiparametrico che prevede la misurazione di varie grandezze fisiologiche tramite sensori collegati al corpo del paziente in diverse aree. L'efficacia del metodo è comunemente accettata, ma esso ha molti svantaggi: costo, invasività, inadeguatezza ad un utilizzo in ambito domestico e mole di risorse che richiede in termini di personale e strumentazione. Lo studio di metodi non invasivi per monitorare il respiro durante il sonno ha trovato interesse in ricerca negli ultimi anni, con l'obiettivo di superare gli inconvenienti della polisomnografia. Le tecniche basate sull'acquisizione di immagini digitali stanno ricevendo particolare attenzione, motivata dalla recente produzione di sensori per acquisire immagini di profondità di semplice utilizzo e basso costo. La presente tesi introduce un metodo per il tracciamento del respiro nel sonno sviluppato a partire da acquisizioni reali utilizzando il sensore di profondità del dispositivo Microsoft Kinect v2. L'obiettivo del lavoro è di ricostruire un segnale rappresentante il respiro del soggetto tramite le immagini di profondità e di estrarre una selezione di caratteristiche (frequenza e regolarità) da ciascun segmento del segnale. Le caratteristiche estratte sono confrontate con quelle della contemporanea registrazione polisomnografica, per determinare l'accuratezza del procedimento proposto. È stata inoltre ottenuta una classificazione bayesiana a partire dalle caratteristiche selezionate e dalle classi (le fasi del sonno), al fine di attribuire una classe ad istanze generiche. Il metodo risulta avere soddisfacente accuratezza, in particolare nell'identificazione della frequenza (errore medio: 3.48%). La caratteristica di regolarità risulta cruciale per distinguere le fasi del sonno. La classificazione a partire da entrambi i segnali ha accuratezza di circa 89% distinguendo solo due classi (Veglia, Sonno), mentre scende notevolemente considerandone tre (Veglia, NonREM, REM). La valutazione dei risultati indica che adeguati sviluppi del metodo presentato possono essere utilizzati per ottenere informazioni affidabili sulla respirazione di soggetti nel sonno. Il sistema, non invasivo e a basso costo, è adatto ad essere inserito nelle routine di monitoraggio di pazienti, eventualmente in ambito domestico.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
2015_12_Centonze.pdf

solo utenti autorizzati dal 04/12/2016

Descrizione: Testo della tesi
Dimensione 9.55 MB
Formato Adobe PDF
9.55 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/115385