Ταξινόμηση των Σταδίων του Ύπνου από Βιοσήματα Φορητών Συσκευών με Χρήση Βαθιών Νευρωνικών Δικτύων

Χρηστίδου, Μυρσίνη-Λεμονιά; Christidou, Myrsini-Lemonia

dc.contributor.author	Χρηστίδου, Μυρσίνη-Λεμονιά	el
dc.contributor.author	Christidou, Myrsini-Lemonia	el
dc.date.accessioned	2024-04-04T07:59:47Z
dc.date.available	2024-04-04T07:59:47Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59091
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.26787
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ταξινόμηση Σταδίων Ύπνου	el
dc.subject	Φορητές Συσκευές	el
dc.subject	Βιοσήματα	el
dc.subject	Αμφίδρομο-LSTM	el
dc.subject	Συνελικτικά Νευρωνικά Δίκτυα	el
dc.subject	Sleep Stage Classification	en
dc.subject	Wearable Devices	en
dc.subject	Biosingals	en
dc.subject	Bidirectional-LSTM	en
dc.subject	Convolutional Neural Networks	en
dc.title	Ταξινόμηση των Σταδίων του Ύπνου από Βιοσήματα Φορητών Συσκευών με Χρήση Βαθιών Νευρωνικών Δικτύων	el
dc.title	Classification of Sleep Stage from Wearable-Derived Biosignals via Deep Neural Networks	en
heal.type	bachelorThesis
heal.classification	Machine Learning	en
heal.classification	Artificial Intelligence	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2023-07-12
heal.abstract	Sleep has always been of great interest regarding the understanding of human nature and its existence. Although it has been studied since ancient times, its deeper understanding has only flourished in the last centuries. Studying an individual's sleep patterns can reveal crucial information for their general health and it can also indicate special physical conditions. Under this perspective, monitoring and analyzing sleep in real-time has been of major scientific interest, and the recent advancements in the field of machine learning have allowed the exploitation of a very powerful scientific area for this purpose. The development of sensor technology has also boosted the use of wearable devices for easy and accessible sleep monitoring, allowing an individual's health self-supervision or prevention of special conditions. The objective of this thesis is to study the problem of Sleep Stage Classification employing neural networks, given two datasets derived from wearable devices, which also contain manually transcribed sleep stage labels. The two datasets differ in their source of monitoring on their size, since the first one is significantly smaller than the second. In the first part of the experiments, a bidirectional-LSTM architecture is tested, trained on a set of already extracted features that are common. Τhe model trained on the first dataset achieves competitive performance, and the one trained on the second dataset, while not reaching as high values, is still good. The generalization of the model trained on the first dataset, utilizing unseen data of the second dataset shows poor performance. In the next part of the experiments, an automated feature extraction method is proposed for training the model end-to-end, by integrating a convolutional module on the bidirectional-LSTM architecture that takes as input the raw data. The performance for the second dataset is very promising, achieving prediction values close to those reached with the bidirectional-LSTM on the first dataset. Thus, the proposed convolutional architecture can sufficiently model the temporal relationships among the raw features. The first dataset, does not perform so well in this setup, indicating that the automated feature extraction method is not adequate for it. For the final part of the experiments a hierarchical architecture named SeqSleepNet is utilized, which was initially designed for the task of sleep stage classification with data derived from polysomnography. For the last dataset, the appropriate spectrograms are extracted for training the SeqSleepNet, however the model performs poorly. This observation suggests that the specific dataset does not align well with deeper architectures, but rather with shallower ones with carefully extracted features, either due to its small size, or due to its internal structure. The second dataset does not allow for spectrogram extraction, thus two modifications of the SeqSleepNet are proposed. Both receive the raw features of the second dataset and apply an automated feature selection with an attention mechanism, before passing the data to the classification module of the network. Their difference is that the second modification includes the concept of sleep epoch, where one sleep stage label is aligned to every 30-second window, adding one more dimension to the training input. The experimental results show that both of the proposed SeqSleepNet modifications achieve good performance, even though the second one handles more complex input data. Based on the experiments conducted in this thesis, we highlight the importance of a carefully chosen architecture and data handling for each dataset. We show that competitive results surpassing other recent work on the topic can be reached, either using meaningful extracted features or an automated method utilized in the shallower architecture of bidirectional-LSTM. The deeper architecture of SeqSleepNet is not appropriate for the two wearable-derived datasets.	en
heal.abstract	Η έννοια του ύπνου ανέκαθεν αποτελεί ένα από τα καίρια αντικείμενα ενδιαφέροντος όσον αφορά την κατανόηση της ανθρώπινης φύσης και ύπαρξης. Παρόλο που μελετάται από την αρχαιότητα, η βαθύτερη κατανόησή του έχει αναπτυχθεί τους τελευταίους μόνο αιώνες. Η μελέτη των μοτίβων του ύπνου ενός ατόμου μπορεί να αποκαλύψει σημαντικές πληροφορίες για την γενική του υγεία, αλλά και τυχόν παθολογικές καταστάσεις. Η καταγραφή και ανάλυση του ύπνου σε πραγματικό χρόνο έχει κινήσει το επιστημονικό ενδιαφέρον, ενώ παράλληλα, οι πρόσφατες εξελίξεις στον τομέα της μηχανικής μάθησης έχουν δώσει την δυνατότητα για την εξερεύνηση ενός πολύ ισχυρού επιστημονικού πεδίου για αυτόν τον σκοπό. Η εξέλιξη της φορητής τεχνολογίας αισθητήρων έχει επίσης ωθήσει στην χρήση φορητών συσκευών για εύκολη και προσιτή καταγραφή του ύπνου δίνοντας σε ένα άτομο την δυνατότητα να παρακολουθήσει την υγεία του, καθώς και την πρόληψη πιθανών παθολογικών καταστάσεων. Το αντικείμενο της παρούσας εργασίας είναι η μελέτη του προβλήματος της Ταξινόμησης των Σταδίων του ΄Υπνου μέσω νευρωνικών δικτύων, χρησιμοποιώντας δύο σύνολα δεδομένων που προέρχονται από διαφορετικές φορητές συσκευές, και περιλαμβάνουν χειροκίνητα τοποθετημένες ετικέτες ύπνου. Τα δύο σύνολα διαφέρουν ως προς το μέγεθός τους, με το πρώτο να είναι πολύ μικρότερο από το δεύτερο. Στο πρώτο σκέλος των πειραμάτων, χρησιμοποιείται μια αμφίδρομη-LSTM αρχιτεκτονική σε ένα σύνολο χαρακτηριστικών που έχουν ήδη εξαχθεί, και τα οποία είναι κοινά και για τα δύο σύνολα δεδομένων. Το μοντέλο που έχει εκπαιδευτεί με το πρώτο σύνολο δεδομένων επιτυγχάνει ανταγωνιστική επίδοση, ενώ για το δεύτερο σύνολο δεδομένων, αν και χαμηλότερη, η απόδοσή του εξακολουθεί να χαρακτηρίζεται καλή. Η προσπάθεια γενίκευσης του μοντέλου που έχει εκπαιδευτεί στο πρώτο σύνολο δεδομένων, χρησιμοποιώντας δείγματα από το δεύτερο σύνολο, δεν έχει επιτυχία. Στο δεύτερο σκέλος των πειραμάτων, δοκιμάζεται μια αυτοματοποιημένη μέθοδος εξαγωγής χαρακτηριστικών με την χρήση ενός συνελικτικού επιπέδου, το οποίο ενσωματώνεται πριν το αμφίδρομο-LSTM δίκτυο. Τα ανεπεξέργαστα δεδομένα δίνονται σαν είσοδος και το μοντέλο εκπαιδεύεται από αρχή-έως-τέλος. Το δεύτερο σύνολο δεδομένων αποδίδει πολύ καλά, φτάνοντας τις τιμές του απλού αμφίδρομου-LSTM με το πρώτο σύνολο δεδομένων, που σημαίνει ότι η συνελικτική αρχιτεκτονική μπορεί επιτυχώς να μοντελοποιήσει τις χρονικές συσχετίσεις των ανεπεξέργαστων δεδομένων. Το πρώτο σύνολο δεδομένων δεν αγγίζει τόσο υψηλή απόδοση, υποδεικνύοντας ότι δεν είναι τόσο συμβατό με την συγκεκριμένη μέθοδο εξαγωγής χαρακτηριστικών. Τέλος, ελέγχεται η ιεραρχική αρχιτεκτονική SeqSleepNet, η οποία αρχικά προορίζεται για δεδομένα που προέρχονται από πολυσομνογραφία. Για την εκπαίδευση του μοντέλου με το πρώτο σύνολο δεδομένων, εξάγονται τα κατάλληλα σπεκτρογράμματα, όμως η απόδοση είναι φτωχή.Το δεύτερο σύνολο δεδομένων δεν μπορεί να εφαρμοστεί απευθείας στο SeqSleepNet, για αυτό προτείνονται δύο τροποποιήσεις του δικτύου, στις οποίες εκτελείται αυτόματη εξαγωγή χαρακτηριστικών μέσω ενός μηχανισμού προσοχής, πριν τα δεδομένα προχωρήσουν στο επίπεδο της ταξινόμησης. Η διαφορά στις δύο τροποποιήσεις έγκειται στο ότι η δεύτερη λαμβάνει υπόψιν την έννοια της εποχής του ύπνου, όπου κάθε ετικέτα ύπνου αντιστοιχεί σε ένα χρονικό παράθυρο 30-δευτερολέπτων, κάνοντας την είσοδο που δέχεται το δίκτυο πιο περίπλοκη, και οι δύο όμως έχουν εξίσου καλά αποτελέσματα. Από τα πειραματικά αποτελέσματα της εργασίας αναδεικνύεται η σημασία της προσεκτικής επιλογής χαρακτηριστικών και κατάλληλης αρχιτεκτονικής για το κάθε σύνολο δεδομένων. Μπορεί να επιτευχθεί υψηλή απόδοση των μοντέλων, η οποία υπερβαίνει άλλες πρόσφατες εργασίες, με την χρήση πιο μικρών αρχιτεκτονικών και προσεκτικά επιλεγμένων χαρακτηριστικών, είτε αυτόματα είτε χειροκίνητα, ενώ η βαθύτερη ιεραρχική αρχιτεκτονική του SeqSleepNet δεν κρίθηκε στον ίδιο βαθμό κατάλληλη για τα δύο σύνολα δεδομένων από φορητές συσκευές.	el
heal.advisorName	Μαραγκός, Πέτρος	el
heal.committeeMemberName	Ροντογιάννης, Αθανάσιος	el
heal.committeeMemberName	Ποταμιάνος, Γεράσιμος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Σημάτων, Ελέγχου και Ρομποτικής. Εργαστήριο Όρασης Υπολογιστών, Επικοινωνίας Λόγου και Επεξεργασίας Σημάτων	el
heal.academicPublisherID	ntua
heal.numberOfPages	141 σ.	el
heal.fullTextAvailability	false