MMSleepNet: a multimodal model for automatic sleep staging

Ξυνογαλάς, Δημήτριος; Xynogalas, Dimitrios

dc.contributor.author	Ξυνογαλάς, Δημήτριος	el
dc.contributor.author	Xynogalas, Dimitrios	en
dc.date.accessioned	2024-06-05T08:23:54Z
dc.date.available	2024-06-05T08:23:54Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/59642
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.27338
dc.rights	Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-sa/3.0/gr/	*
dc.subject	Machine Learning	en
dc.subject	Multimodal	en
dc.subject	Automatic Sleep Staging	en
dc.subject	Self-supervised learning	en
dc.subject	Classification	en
dc.subject	Μηχανική Μάθηση	el
dc.subject	Πολυτροπική	el
dc.subject	Αυτόματη Κατηγοριοποίηση Ύπνου	el
dc.subject	Ταξινόμηση	el
dc.subject	Αυτοεπιβλεπόμενη μάθηση	el
dc.title	MMSleepNet: a multimodal model for automatic sleep staging	en
heal.type	bachelorThesis
heal.classification	Machine Learning	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-02-29
heal.abstract	Η αυτόματη ταξινόμηση των σταδίων ύπνου είναι ζωτικής σημασίας για την αξιολόγηση της ποιότητας του ύπνου και τη διάγνωση των διαταραχών του ύπνου. Αν και έχουν αναπτυχθεί πολυάριθμες προσεγγίσεις για τον σκοπό αυτό, πολλές βασίζονται αποκλειστικά σε μονοκάναλα σήματα ηλεκτροεγκεφαλογραφήματος (EEG) ή εξετάζουν εισροές από ένα μόνο πεδίο. Η πολυσωμνογραφία (PSG) προσφέρει μια πιο ολοκληρωμένη λύση παρέχοντας πολλαπλά κανάλια καταγραφής σήματος, επιτρέποντας στα μοντέλα να εξάγουν και να ενσωματώνουν πληροφορίες από διάφορα κανάλια για βελτιωμένη απόδοση ταξινόμησης. Επιπλέον, πολύτιμες πληροφορίες μπορούν να αντληθούν τόσο από τις αναπαραστάσεις του πεδίου του χρόνου όσο και από τις αναπαραστάσεις στο πεδίο της συχνότητας των σημάτων PSG. Η παρούσα μελέτη εισάγει το MMSleepNet, ένα μοντέλο βαθιάς μάθησης που εξάγει και συγχωνεύει επιδέξια πληροφορίες από πολλαπλά κανάλια PSG τόσο στο πεδίο του χρόνου όσο και στο πεδίο της συχνότητας για να επιτύχει την αυτόματη κατηγοριοποίηση των σταδίων του ύπνου. Αναγνωρίζοντας τη δυνατότητα των εργαστηρίων ύπνου να παράγουν τεράστιες ποσότητες μη επισημασμένων δεδομένων για τη κατηγοριοποίηση του ύπνου και την εγγενή δυσκολία της επισήμανσης αυτών των δεδομένων, η μελέτη διερευνά την αποτελεσματικότητα διαφόρων αλγορίθμων αυτοεπιβλεπόμενης μάθησης για την αντιμετώπιση της έλλειψης ετικετών και τη βελτίωση της απόδοσης του προτεινόμενου μοντέλου.	el
heal.abstract	Automatic sleep stage classification is crucial for assessing sleep quality and diagnosing sleep disorders. While numerous approaches have been developed for this purpose, many rely solely on single-channel electroencephalogram (EEG) signals or consider inputs from a single domain. Polysomnography (PSG) offers a more comprehensive solution by providing multiple channels of signal recording, enabling models to extract and integrate information from diverse channels for enhanced classification performance. Furthermore, valuable insights can be derived from both the time and frequency domain representations of PSG signals. This study introduces MMSleepNet, a deep learning model that adeptly extracts and fuses information from multiple PSG channels across both the time and frequency domains to facilitate automatic sleep stage scoring. Recognizing the potential of sleep labs to generate vast amounts of unlabeled data for sleep scoring and the inherent difficulty of labeling this data, the study explores the efficacy of various self-supervised learning algorithms to address label scarcity and enhance the proposed model's performance.	en
heal.advisorName	Ασκούνης, Δημήτριος	el
heal.advisorName	Askounis, Dimitris	en
heal.committeeMemberName	Askounis, Dimitris	en
heal.committeeMemberName	Marinakis, Vangelis	en
heal.committeeMemberName	Psarras, Ioannis	en
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Ηλεκτρικών Βιομηχανικών Διατάξεων και Συστημάτων Αποφάσεων	el
heal.academicPublisherID	ntua
heal.numberOfPages	77 σ.	el
heal.fullTextAvailability	false