Sleep analysis through multi-signal deep learning framework

As human beings, we spend about a third of our life sleeping. Sleep analysis is becoming one of the main prevention techniques for health diseases (together with diet control), in a period in which the pathologies that afflict sleep are getting more and more present. One of the most common pathologies is sleep apnea, that is often correlated with hypertension and diabetes. The combination of these illnesses puts subjects at high risk of developing cardiovascular disease. The growth of the wearable device market allowed end-user to own sensors that until now were only available in specialized laboratories. One of the significant fields of application of these devices is sleep analysis. The purpose of this thesis is to develop a system that uses the signals collected by a wearable device, thus generating a hypnogram of each night and identify when the subject has sleep apnea. We propose a deep learning algorithm, based on an innovative framework called DeepSense, that was presented in 2017 and achieved the state of the art of machine learning in physiological signal classification. The system is able to analyze three signals in parallel: airflow, body position and ECG. Through a branch structure, the inputs are processed and synchronized, without the need to compress the data a priori. The algorithm, divided into levels, is able to learn the information obtained from the sensors, and then align them correctly. By structuring different components representative of neural networks, our solution also allows us to exploit the temporal relationships typical of signals. The proposed system estimates the hypnogram of the recorded night of sleep and also identifies if the patient has sleep apnea. The algorithm was tested on one of the most extensive datasets in the literature, with the aim of replicating a real scenario in the best possible way. The results obtained show that the model is able to reconstruct the subject's hypnogram with good performance, with margins for improvement as regards some phases of sleep. Apnea patients are widely identified, with a tendency to overestimate unhealthy subjects.

Come esseri umani spendiamo circa un terzo della sua vita dormendo. L'analisi del sonno sta diventando una delle principali tecniche di prevenzione per la salute (insieme al controllo della dieta), in un periodo storico in cui le patologie che affliggono il sonno si fanno sempre più presenti. Uno dei disturbi più comuni sono le apnee, che sono spesso correlate con casi di ipertensione e diabete. La combinazione di queste malattie pone i soggetti affetti ad alto rischio di sviluppare patologie cardiovascolari. La crescita del mercato dei dispositivi indossabili permette ora agli utenti finali di possedere sensori che fino a poco tempo fa erano disponibili solo in laboratori specializzati. Uno dei campi di applicazione più rilevanti di questi sensori è proprio l'analisi del sonno. Lo scopo di questa tesi è quello di sviluppare un sistema in grado di utilizzare i segnali raccolti da un dispositivo indossabile, generando un ipnogramma della notte monitorata e identificando inoltre se il soggetto ha manifestato episodi di apnea. In questo lavoro viene proposto un algoritmo di deep learning, basato su un recente framework chiamato DeepSense, che fu presentato nel 2017 e ha raggiunto lo stato dell'arte del machine learning nella classificazione di segnali fisiologici. Il nostro sistema è in grado di analizzare tre segnali in parallelo: il respiro, la posizione del corpo e l'ECG. Attraverso una struttura a rami, gli input vengono processati e poi allineati, senza la necessità di una compressione dei dati a priori. L'algoritmo, diviso in livelli, è capace di apprendere le informazioni ottenute dai sensori, e successivamente allinearle correttamente. Sfruttando differenti componenti fondamentali delle reti neurali, la nostra soluzione permette inoltre di estrapolare le tipiche relazioni temporali dei segnali. Il sistema proposto stima così l'ipnogramma della notte registrata e identifica la presenza di apnee. L'algoritmo è stato testato su uno dei più estesi datasets presenti in letteratura, con l'obiettivo di replicare nella maniera più accurata possibile uno scenario di utilizzo reale. I risultati ottenuti mostrano che il modello è in grado di ricostruire l'ipnogramma di un soggetto con buone performance, con margini di miglioramento su alcune fasi del sonno. I pazienti affetti da apnee sono largamente identificati, con una leggera tendenza a sovrastimare i casi di apnee.