Aplikace hlubokého učení v detekci spánkové apnoe

Abstract

Tato diplomová práce se zaměřuje na využití metod hlubokého učení pro detekci spánkové apnoe, poruchy spánku charakterizované opakovanými epizodami zastavení nebo významného snížení průtoku dýchacích cest během spánku. Studie zkoumá efektivitu konvolučních neuronových sítí (CNN) a modelů Bidirectional Long Short-Term Memory (BiLSTM) v automatické detekci různých typů spánkové apnoe s využitím polysomnografických záznamů. V práci jsou využity datasety z databáze MESA, které byly speciálně připraveny a upraveny pro potřeby hlubokého učení. Modely s nejlepšími výsledky dosáhly hodnot F1 skóre 0,87 a 0,83, což ukazuje, že hluboké učení může poskytovat přesné nástroje pro diagnostiku spánkové apnoe, představující potenciální zlepšení v klinické praxi. Práce také diskutuje možnosti integrace těchto modelů do klinických diagnostických procesů a nastiňuje směry pro budoucí výzkum v této oblasti.The master thesis focuses on the use of deep learning methods for the detection of sleep apnea, a sleep disorder characterized by repeated episodes of cessation or significant reduction in airway flow during sleep. The study investigates the effectiveness of Convolutional Neural Networks (CNN) and Bidirectional Long Short-Term Memory (BiLSTM) models in the automatic detection of different types of sleep apnea using polysomnographic recordings. The datasets used in this work are from the MESA database, which have been specially prepared and modified for deep learning. The best performing models achieved F1-scores of 0.87 and 0.83, showing that deep learning can provide accurate tools for sleep apnea diagnosis, representing a potential improvement in clinical practice. The paper also discusses the possibilities of integrating these models into clinical diagnostic processes and outlines directions for future research in this area.