Please use this identifier to cite or link to this item: http://hdl.handle.net/123456789/3542
Title: Classificação dos estágios do sono utilizando análise espectral e redes neurais convolutivas
Other Titles: Classification of sleep stages using analysis spectral and convolutive neural networks
Authors: FERREIRA, Julia Manayra da Silva
Keywords: Classificação do sono
Multitaper
Redes neurais convolutivas
Estagiamento automático do sono
Sleep classification
Multitaper
Convolutional neural networks
Automatic sleep staging
Issue Date: 17-Dec-2018
Publisher: Universidade Federal do Maranhão
Abstract: Distúrbios do sono como apneia do sono, insônia e hipersônia idiopática estão associados aos maiores problemas de saúde da sociedade moderna e afetam a saúde e a qualidade de vida das pessoas, ocasionando depressão, estresse, diabetes, déficit de atenção, obesidade, problemas cardiovasculares, entre outros. No entanto, o processo para detecção de distúrbios do sono é um processo moroso e caro, pois há necessidade de profissionais especializados, que tenham capacidade. Através de exames como a polissonografia, é possível identificar sinais que possam indicar uma disfunção na atividade fisiológica do paciente. Este terá de avaliar vários canais captados no exame e identificar os estágios do sono (REM, N1, N2,N3). Desta forma, é capaz de determinar um diagnóstico para um paciente. Por conseguinte, o principal objetivo deste trabalho é contribuir com o estudo da classificação automática dos estágios do sono, a partir de um estudo comparativo entre os trabalhos relacionados a rotulação dos estágios. Nesse trabalho, foi utilizado o método multitaper uma vez que ele supera algumas das limitações da análise convencional da transformada de Fourier, ao reduzir o bias de estimação obtendo múltiplas estimativas de uma mesma amostra. Além disso, converter o sinal em imagem e assim utilizá-los como entrada para Redes Neurais Convolutivas que têm se mostrado muito eficazes na classificação de imagens. Neste trabalho foram realizados dois experimentos onde o primeiro utilizou um único sinal EEG o Fpz-Cz e o segundo utilizou um único sinal EEG C4-A1, assim utilizados na geração de imagens e para classificação a rede convolutiva Inception-V3 que no primeiro experimento obteve 0.8726% de acurácia, 0.8736% de precisão, 0.8742% sensibilidade e 0.8684% de F1-score e no segundo obteve 0.8595% de precisão, 0.8604% sensibilidade, acurácia de 86% e 0.8576% de F1-score.
Description: Abstract Sleep disorders such as sleep apnea, insomnia and idiopathic hypersomnia are associated with the major health problems of modern society and affect people’s health and quality of life, leading to depression, stress, diabetes, attention deficit, obesity, cardiovascular problems, among others. However, the process for detecting sleep disorders is a time consuming and costly process as there is a need for skilled professionals who have the capacity. Through tests such as polysomnography, it is possible to identify signs that may indicate a dysfunction in the patient’s physiological activity. This will have to evaluate several channels captured in the exam and identify the stages of sleep (REM, N1, N2, N3). In this way, it is able to determine a diagnosis for a patient. Therefore, the main objective of this work is to contribute to the study of the automatic classification of the sleep stages, based on a comparative study between the works on automatic sleep staging approach. In this work, the textit multitaper method was used since it overcomes some of the limitations of conventional Fourier transform analysis. Multitaper reduces the estimation bias via multiple estimates of the same sample. It also converts the signal into an image, which is used as input for a Convolution Neural Networks. In this work two experiments were performed using a single EEG signal to generate the images. In the first one we used the Fpz-Cz as input and the second one we used C4-A1. In both experiments settings we applied the convolutional network Inception-V3, obtaining 0.8726 % accuracy, 0.8736 % sensitivity, and 0.8684 % F1-score in the first experiment and obtaining 0.8595 % accuracy, 0.8604 % sensitivity, 86 % accuracy and 0.8576 % F1 -score on the second experiment.
URI: http://hdl.handle.net/123456789/3542
Appears in Collections:TCCs de Graduação em Ciência da Computação do Campus do Bacanga

Files in This Item:
File Description SizeFormat 
JULIA-FERREIRA.pdfTrabalho de Conclusão de Curso2,24 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.