This study presents different methods for automatic sleep classification based on heart rate variability (HRV), respiration and movement signals recorded through bed sensors. Two methods for feature extraction have been implemented: time variant- autoregressive model (TVAM) and wavelet discrete transform (WDT); the obtained features are fed into four classifiers: Quadratic (QD) and Linear (LD) discriminant, K-nearest neighbour (KNN) and Feed Forward Neural Network(FFNN), for staging sleep in REM, nonREM and WAKE periods. The performances of all the possible combinations of feature extractors and classifiers are compared in terms of accuracy and kappa index, using clinical polysomographyc evaluation as golden standard. 17 recordings from healthy subjects, including also polisomnography, were used to train and test the algorithms.

Questo studio presenta una comparazione tra diversi metodi di stadiazione del sonno sulla base di segnali di variabilità cardiaca (HRV), di respiro e di movimento registrati attraverso dei sensori posti in un materasso (bed sensors). Sono stati implementati due metodi di estrazione delle features dei segnali: un modello autoregressivo tempo-variante (TVAM) e una trasformata wavelet discreta (WDT); le features ottenute sono state date in pasto a quattro classificatori per stadiare il sonno in periodi di VEGLIA, sonno nonREM e sonno REM: discriminante lineare (LD) e quadratico (QD), K-nearest neighbour (KNN) e Feed Forward Neural Network(FFNN). Le performance di tutte le possibili combinazioni di estrattori e classificatori sono state valutate in termini di accuratezza e di indice kappa usando polisonnografie di riferimento. Lo studio presenta i risultati ottenuti tramite l'analisi di 17 registrazioni di soggetti sani.

Time-frequency analysis of the ballistocardiogram for sleep staging

MIGLIORINI, MATTEO;NISTICO', DOMENICO
2009/2010

Abstract

This study presents different methods for automatic sleep classification based on heart rate variability (HRV), respiration and movement signals recorded through bed sensors. Two methods for feature extraction have been implemented: time variant- autoregressive model (TVAM) and wavelet discrete transform (WDT); the obtained features are fed into four classifiers: Quadratic (QD) and Linear (LD) discriminant, K-nearest neighbour (KNN) and Feed Forward Neural Network(FFNN), for staging sleep in REM, nonREM and WAKE periods. The performances of all the possible combinations of feature extractors and classifiers are compared in terms of accuracy and kappa index, using clinical polysomographyc evaluation as golden standard. 17 recordings from healthy subjects, including also polisomnography, were used to train and test the algorithms.
BIANCHI, ANNA MARIA
MENDEZ, MARTIN
ING II - Facolta' di Ingegneria dei Sistemi
21-lug-2010
2009/2010
Questo studio presenta una comparazione tra diversi metodi di stadiazione del sonno sulla base di segnali di variabilità cardiaca (HRV), di respiro e di movimento registrati attraverso dei sensori posti in un materasso (bed sensors). Sono stati implementati due metodi di estrazione delle features dei segnali: un modello autoregressivo tempo-variante (TVAM) e una trasformata wavelet discreta (WDT); le features ottenute sono state date in pasto a quattro classificatori per stadiare il sonno in periodi di VEGLIA, sonno nonREM e sonno REM: discriminante lineare (LD) e quadratico (QD), K-nearest neighbour (KNN) e Feed Forward Neural Network(FFNN). Le performance di tutte le possibili combinazioni di estrattori e classificatori sono state valutate in termini di accuratezza e di indice kappa usando polisonnografie di riferimento. Lo studio presenta i risultati ottenuti tramite l'analisi di 17 registrazioni di soggetti sani.
Tesi di laurea Magistrale
File allegati
File Dimensione Formato  
Matteo_COMPLETA.pdf

accessibile in internet per tutti

Descrizione: Testo della tesi
Dimensione 3.8 MB
Formato Adobe PDF
3.8 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/10589/2104