Predictive models for improving sensor predictions of bed sleeping sensors

There are many applications of sleep tracking devices, that can be used in medical facili- ties or personal homes to track an individuals’ sleep. Many of such devices suffer from a certain error range and noise, that may be caused by the device itself or the environment. Such noise can be ignored for some non-medical applications but there are many cases where the measurements needs to be precise as much as possible. For these cases, many methods that are less noisy but more intrusive and possibly costly are used. As a differ- ent approach, environmental sensors are used to cope with the problems that come with intrusive sensors. One of such sensors, bed sensors, which are attached to the subjects’ beds are used for such purpose. However, data collected from those sensors are also shown to be unstable, therefore creating a lot of uncertainty regarding when to intervene if the subject is in a problematic status. Thus being able to correct these errors to provide a reliable and accurate sleep status detection is vital for such applications. This thesis presents a study on different filtering, imputation and machine learning approaches to correct the errors and stabilize the outcome in the data collected from a such sensor. As different models were studied for similar cases for different applications in the literature, a comparison between the results of the models constructed upon previous research is also presented.

L’analisi della qualità del sonno attraverso un tracciamento dello stato della persona è un tema attuale sia in ambito domiciliare sia nelle residenze. I dispositivi attualmente disponibili, sia non intrisivi sia indossabili, restituiscono valori sono affetti da errore dovuto sia alla natura della metodo di rilevazione sia alla interazione tra il dispositivo e il soggetto monitorato. Per molte applicazioni di tipo non medico, l’imprecisione può essere completamente ignorata; in altri contesti, invece, è necessario che le misurazioni siano il più precise e affidabili possibile. In questi casi vengono spesso usati dei dispositivi più costosi e intrusivi; sfortunatamente, queste soluzioni presentano, oltre al costo, il problema della indossabilità e della manutenzione che risultano insuperabili per soggetti affetti da malattie degenerative (per esempio, Alzheimer). Per sopperire a questi problemi si utilizzano dispositivi di rilevazione non intrusivi, senza contatto con la persona. In questo lavoro di testi viene utilizzando un dispositivo che è fissato al letto dell’individuo e rileva il battito cardiaco e la frequenza respiratoria senza un contatto diretto con la persona. Tuttavia, i dati raccolti da questo dispositivo sono instabili e incerti e rendendo inaffidabile stabilire se il soggetto è in uno stato che richiede attenzione. Risulta così importante riuscire a identificare una procedura che riduca l’errore di rilevazione e fornisca una “lettura” dello stato della persona a letto più affidabile e precisa. Questa tesi presenta uno studio su diversi filtri, procedure di imputazione dei dati mancanti, e approcci di machine learning per correggere gli errori e stabilizzare i risultati dei dati raccolti dal sistema di rilevazione non intrusivo Murata SCA11H. Il lavoro svolto presenta anche un confronto tra i risultati dei modelli proposti in ricerche precedenti per sistemi simili.