Hodnocení kvality spánku
Loading...
Date
Authors
Dokoupilová, Daniela
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Tato bakalářská práce se věnuje klasifikaci spánkových dat naměřených pomocí chytrých hodinek Apple Watch. Z využívaných signálů – tepové frekvence a akcelerometrického záznamu byly pomocí statistického testování vybrány příznaky pro klasifikaci spánkových epoch. Pro klasifikaci byla zvolena metoda podpůrných vektorů. Model byl poté natrénován pro rozpoznávání fáze Wake a Sleep a poté i pro rozpoznávání REM a NREM spánku. Klasifikace dat do dvou fází překročila hranici přesnosti 80 %, klasifikace Wake, REM a NREM spánku poté 58 %. Vypočtené parametry hodnotící kvalitu spánku byly poté srovnány s daty ohodnocenými spánkovým expertem. Model pro klasifikaci bdění a spánku se velmi přiblížil hodnocení experta. Model pro klasifikaci bdění, REM a NREM spánku se nejvíce lišil v parametrech hodnotících bdění.
The topic of this bachelor thesis is quality sleep assessment using signals acquired from Apple Watch. From measured signals – heart rate and motion, were extracted parameters for sleep classification using statistical testing. These parameters were later used for training the support vector machine model. The model was first trained to classify Wake and Sleep, then also to classify Wake, REM and NREM stages. The accuracy of Wake/Sleep classification was about 80 %. The accuracy of Wake/REM/NREM classification exceeded 58 %. Finally, sleep quality parameters were calculated and compared to the data rated by a sleep expert. The outcome for Wake/Sleep classification was close to the expert evaluation. The model for Wake/REM/NREM classification was less accurate and differed mainly in parameters concerning Wake stage.
The topic of this bachelor thesis is quality sleep assessment using signals acquired from Apple Watch. From measured signals – heart rate and motion, were extracted parameters for sleep classification using statistical testing. These parameters were later used for training the support vector machine model. The model was first trained to classify Wake and Sleep, then also to classify Wake, REM and NREM stages. The accuracy of Wake/Sleep classification was about 80 %. The accuracy of Wake/REM/NREM classification exceeded 58 %. Finally, sleep quality parameters were calculated and compared to the data rated by a sleep expert. The outcome for Wake/Sleep classification was close to the expert evaluation. The model for Wake/REM/NREM classification was less accurate and differed mainly in parameters concerning Wake stage.
Description
Citation
DOKOUPILOVÁ, D. Hodnocení kvality spánku [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2021.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
prof. Ing. Marek Penhaker, Ph.D. (předseda)
doc. Ing. Jana Kolářová, Ph.D. (místopředseda)
Ing. Marina Filipenská, Ph.D. (člen)
Ing. Markéta Jakubíčková, Ph.D. (člen)
MUDr. Tibor Stračina, Ph.D. (člen)
Date of acceptance
2021-06-16
Defence
Studentka prezentovala výsledky své práce a komise byla seznámena s posudky.
Prof. Penhaker položil otázku ke grafu v prezentaci a validitě dat.
MUDr. Stračina položil otázku ohledně výběru dat z databáze, která byla použita pro zpracování práce.
Studentka obhájila bakalářskou práci.
a odpověděla na otázky členů komise a oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení