Hodnocení spánku pomocí HRV

Abstract

Tato bakalářská práce se zabývá klasifikací spánkových fází na základě variability srdeční frekvence (HRV). Jejím hlavním cílem bylo navrhnout různé postupy klasifikace spánku a zrealizovat je ve vhodném prostředí. Byly použity tři metody strojového učení– me toda náhodný les, gradientní zesilování a metoda podpůrných vektorů; každá dvakrát– na klasifikaci do tří tříd, která spojovala dohromady jednotlivé podfáze nonREM fáze do jedné, a do pěti tříd (každá fáze zvlášť). Výsledkem jsou hodnoty přesnosti, tedy kolik 30s segmentů záznamu HRV bylo správně zařazeno z celkového počtu v procentech. Bylo zjištěno a potvrzeno, že jednotlivé nonREM podfáze se od sebe hůře odlišují, a proto je jejich klasifikace horší, než když se klasifikují jako jedna fáze.

This bachelor’s thesis focuses on the classification of sleep stages based on heart rate variability (HRV). Its main objective was to design various approaches for sleep classifi cation and implement them in a suitable environment. Three machine learning methods were used — Random Forest, Gradient Boosting, and Support Vector Machine; each twice– for classification into three classes, which combined together the subphases of the nonREM phase into one, and into five classes (i.e., each phase separately). The resulting accuracy values are how many 30s segments of the HRV record were correctly classified out of the total number in %. It was found and confirmed that the individ ual nonREM subphases are harder to distinguish from one another, and therefore their classification is worse than when they are grouped into a single stage.