Pokročilá klasifikace spánkových fází
Loading...
Date
Authors
Dokoupilová, Daniela
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Tato diplomová práce se věnuje klasifikaci spánkových fází z chytrých hodinek. Využity byly dva signály, a to tepová frekvence a zrychlení. Pro klasifikaci byl vybrán model TinySleepNet, který je složen z konvoluční a LSTM sítě. Model byl natrénován nejprve pro klasifikaci pěti spánkových fází pouze z tepové frekvence, F1 skóre prvního modelu dosáhlo 49 %. Zrychlení bylo přepočítáno na vektor SVM, na kterém byl natrénován druhý model. Kvůli nedostatku informací ve vektoru SVM byl model natrénován pouze pro binární klasifikaci bdění/spánek a jeho F1 skóre dosáhlo 62,3 %. V posledním modelu byly oba signály zkombinovány. Klasifikace z tepové frekvence a vektoru SVM na pět spánkových fází poté dosáhla F1 skóre 51 %. Vypočtené parametry hodnotící kvalitu spánku byly poté srovnány s daty ohodnocenými spánkovým expertem.
This diploma thesis focuses on classification of sleep stages using a smart watch. Two signals were used – heart rate and acceleration. A model called TinySleepNet composed of convolutional neural network and LSTM was chosen for this task. The model was first trained for the classification of five sleep stages using only heart rate, achieving F1 score of 49%. Acceleration was converted into an SVM vector, on which the second model was trained. Due to the lack of information in the SVM vector, the model was trained only for binary classification of wake/sleep, achieving F1 score of 62.3%. Both SVM and heart rate were combined in the last model. The classification of heart rate and SVM vector into five sleep stages achieved F1 score of 51%. The calculated parameters evaluating sleep quality were then compared with data evaluated by a sleep expert.
This diploma thesis focuses on classification of sleep stages using a smart watch. Two signals were used – heart rate and acceleration. A model called TinySleepNet composed of convolutional neural network and LSTM was chosen for this task. The model was first trained for the classification of five sleep stages using only heart rate, achieving F1 score of 49%. Acceleration was converted into an SVM vector, on which the second model was trained. Due to the lack of information in the SVM vector, the model was trained only for binary classification of wake/sleep, achieving F1 score of 62.3%. Both SVM and heart rate were combined in the last model. The classification of heart rate and SVM vector into five sleep stages achieved F1 score of 51%. The calculated parameters evaluating sleep quality were then compared with data evaluated by a sleep expert.
Description
Citation
DOKOUPILOVÁ, D. Pokročilá klasifikace spánkových fází [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
prof. Ing. Valentýna Provazník, Ph.D. (předseda)
Ing. Martin Vítek, Ph.D. (místopředseda)
Ing. Jiří Chmelík, Ph.D. (člen)
Ing. Markéta Jakubíčková, Ph.D. (člen)
Ing. Radovan Smíšek, Ph.D. (člen)
doc. Mgr. Ing. Karel Sedlář, Ph.D. (člen)
Date of acceptance
2023-06-08
Defence
Studentka prezentovala výsledky své práce a komise byla seznámena s posudky. Dr. Vítek položil otázku, co je to standardizovaná tepová frekvence? Vztahuje se F1 skóre pouze k hodnocení do 2 kategorií? Ing. Smíšek položil otázku v čem byla práce inovativní? Prof. Provazník položila otázku, zdali je studentka spokojená s dosaženými výsledky Dr. Chmelík položil otázku na počet vzorků na vstupu neuronové sítě. Studentka odpověděla na otázky členů komise a oponenta. Studentka obhájila diplomovou práci s výhradami.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení