Περίληψη
Στην παρούσα διατριβή αναπτύχθηκαν μία σειρά από μεθοδολογίες και υπολογιστικά εργαλεία για την ανάλυση πολυυπνογραφικών δεδομένων με σκοπό την αναγνώριση και αξιολόγηση μοτίβων και βιοδεικτών σχετικών με την ποιότητα του ύπνου και την υποστήριξη των ειδικών ύπνου. Αρχικά, αναπτύχθηκαν κατάλληλες μέθοδοι για την προ-επεξεργασία και εξαγωγή χαρακτηριστικών από πολυκαναλικά σήματα που καταγράφονται από διαφορετικές πηγές: ηλεκτροεγκεφαλογράφημα και ηλεκτροκαρδιογράφημα. Στην συνέχεια εκπαιδεύτηκαν μοντέλα τεχνητής νοημοσύνης επίτευξη υψηλής ακρίβειας ταξινόμησης, συνδυάζοντας τα χαρακτηριστικά των βιολογικών σημάτων και προσεγγίσεις από τα πεδία της ανάλυσης βιολογικών σημάτων, επεξεργασία εικόνων (μετασχηματισμός των εξαγόμενων χαρακτηριστικών σε δομή δεδομένων παρόμοια με αυτή της εικόνας) και της βαθιάς μάθησης. Για την αυτόματη αναγνώριση των σταδίων του ύπνου από τις καταγραφές των βιολογικών σημάτων απαραίτητη είναι η εξαγωγή χαρακτηριστικών τα οποία μπορούν να κωδικοποιήσουν τις ...
Στην παρούσα διατριβή αναπτύχθηκαν μία σειρά από μεθοδολογίες και υπολογιστικά εργαλεία για την ανάλυση πολυυπνογραφικών δεδομένων με σκοπό την αναγνώριση και αξιολόγηση μοτίβων και βιοδεικτών σχετικών με την ποιότητα του ύπνου και την υποστήριξη των ειδικών ύπνου. Αρχικά, αναπτύχθηκαν κατάλληλες μέθοδοι για την προ-επεξεργασία και εξαγωγή χαρακτηριστικών από πολυκαναλικά σήματα που καταγράφονται από διαφορετικές πηγές: ηλεκτροεγκεφαλογράφημα και ηλεκτροκαρδιογράφημα. Στην συνέχεια εκπαιδεύτηκαν μοντέλα τεχνητής νοημοσύνης επίτευξη υψηλής ακρίβειας ταξινόμησης, συνδυάζοντας τα χαρακτηριστικά των βιολογικών σημάτων και προσεγγίσεις από τα πεδία της ανάλυσης βιολογικών σημάτων, επεξεργασία εικόνων (μετασχηματισμός των εξαγόμενων χαρακτηριστικών σε δομή δεδομένων παρόμοια με αυτή της εικόνας) και της βαθιάς μάθησης. Για την αυτόματη αναγνώριση των σταδίων του ύπνου από τις καταγραφές των βιολογικών σημάτων απαραίτητη είναι η εξαγωγή χαρακτηριστικών τα οποία μπορούν να κωδικοποιήσουν τις αλλαγές που παρατηρούνται στις κυματομορφές των σημάτων λόγω της μεταβολής των λειτουργιών του σώματος. Τα χαρακτηριστικά αυτά μπορούν να υπολογιστούν ως μέτρα λειτουργικής συνδεσιμότητας ανάμεσα στα ηλεκτρόδια του ΗΕΓ ή περιοχών του εγκεφάλου μετά από κατάλληλο μετασχηματισμό, τα οποία μπορούν να θεωρηθούν ως πίνακας γειτνίασης γράφου μέσω των οποίων και της θεωρίας γράφων μπορούν να υπολογιστούν μέτρα γράφων. Για την υποστήριξη των ειδικών αναπτύχθηκε το ενοποιημένο γραφικό περιβάλλον SmartHypnos eXpert για το προγραμματιστικό περιβάλλον MATLAB. Μέσω κατάλληλων εργαλείων της διεπαφής αυτής είναι δυνατό ο χρήστης να επιλέξει το αρχείο εισόδου τα σήματα του οποίου εμφανίζονται στην διεπαφή. Για κάθε εποχή των 30 δευτερολέπτων ο ειδικός δύναται να επιλέξει το στάδιο στο οποίο ανήκει αυτή, ενώ ταυτόχρονα είναι διαθέσιμη η πρόβλεψη του σταδίου από μία μέθοδο τεχνητής νοημοσύνης μειώνοντας τον χρόνο σταδιοποίησης. Επίσης υποστηρίζεται η αναγνώριση αναπνευστικών γεγονότων. Μετά το πέρας της σταδιοποίησης υπάρχει η δυνατότητα αποθήκευσης αυτής σε διαφορετικές μορφές αρχείων τα οποία δύναται να φορτώσει για τυχόν διορθώσεις ή περαιτέρω ανάλυση στο ίδιο ή σε διαφορετικό λογισμικό εργαλείο. Σε διαφορετική καρτέλα του περιβάλλοντος παρουσιάζεται μία σύνοψη της σταδιοποίησης και της αναγνώρισης αναπνευστικών γεγονότων σε μορφή γραφημάτων. Η αναφορά αυτή θα μπορεί να αποθηκεύεται επίσης σε διαφορετικές μορφές αρχείων. Τέλος, σε άλλη καρτέλα μπορούν να παραστούν γραφικά τα δεδομένα από την εφαρμογή Android. Η διεπαφή SmartHypnos eXpert αξιολογήθηκε από 11 ειδικούς ύπνου με θετικά αποτελέσματα. Η εφαρμογή SmartHypnos για συσκευές Android είναι στοχευμένη προς ευρύ κοινό. Στην εφαρμογή αυτή παρουσιάζονται δεδομένα που σχετίζονται με την σωματική δραστηριότητα του ατόμου κατά τη διάρκεια της ημέρας και την υποκειμενική ποιότητα του ύπνου τους. Στην εφαρμογή αυτή υπάρχει η δυνατότητα συμπλήρωσης ερωτηματολογίων για την αξιολόγηση της ποιότητας του ύπνου και των επιπέδων άγχους. Ο συνδυασμός των καταγεγραμμένων δεδομένων επιτρέπει την παραγωγή προσωποποιημένων προτάσεων για την βελτίωση της ποιότητας και της αποδοτικότητας του ύπνου, οι οποίες παράγονται παράγονται μέσω ενός δέντρου αποφάσεων, το οποίο αναπτύχθηκε με την βοήθεια ειδικών. Τα δεδομένα όλα καταγράφονται στην συσκευή του χρήστη χωρίς να είναι απαραίτητη η σύνδεση στο διαδίκτυο. Η εφαρμογή αυτή αξιολογήθηκε από 48 χρήστες κατά τη διάρκεια πιλοτικής δοκιμής μίας εβδομάδας με θετικά αποτελέσματα. Οι μέθοδοι και τα εργαλεία που αναπτύχθηκαν αναμένεται να συνεισφέρουν στην επιστημονική έρευνα και κλινική πράξη διευκολύνοντας ιδιαίτερα την εργασία των ειδικών ύπνου.
περισσότερα
Περίληψη σε άλλη γλώσσα
In this thesis, a series of methodologies and computational tools were developed for the analysis of polysomnographic data with the aim of identifying and evaluating patterns and biomarkers related to sleep quality and supporting sleep specialists. Initially, appropriate methods were developed for the pre-processing and extraction of features from multichannel signals recorded from different sources: electroencephalogram and electrocardiogram. Subsequently, artificial intelligence models were trained to achieve high classification accuracy, combining the characteristics of biological signals and approaches from the fields of biological signal analysis, image processing (transformation of the extracted features into a data structure similar to that of the image) and deep learning. For automatic sleep stagινγ from biological signal recordings, it is necessary to extract features that can encode the changes observed in the signal waveforms due to changes in body functions. These features ...
In this thesis, a series of methodologies and computational tools were developed for the analysis of polysomnographic data with the aim of identifying and evaluating patterns and biomarkers related to sleep quality and supporting sleep specialists. Initially, appropriate methods were developed for the pre-processing and extraction of features from multichannel signals recorded from different sources: electroencephalogram and electrocardiogram. Subsequently, artificial intelligence models were trained to achieve high classification accuracy, combining the characteristics of biological signals and approaches from the fields of biological signal analysis, image processing (transformation of the extracted features into a data structure similar to that of the image) and deep learning. For automatic sleep stagινγ from biological signal recordings, it is necessary to extract features that can encode the changes observed in the signal waveforms due to changes in body functions. These features can be calculated as functional connectivity metrics between EEG electrodes or brain regions after an appropriate transformation, which can be considered as a graph adjacency matrix through which graph theory can be used to calculate graph metrics. To support experts, the integrated graphical user interface SmartHypnos eXpert was developed for the MATLAB programming environment. Through this interface, the user can select the input file whose signals are displayed in the interface. For each 30-second epoch, the expert can select the sleep stage to which it belongs, while at the same time a prediction is available from an artificial intelligence method, thus reducing the staging time. Respiratory event recognition is also supported. After the staging is complete, it is possible to save it in different file formats which can be loaded for any corrections or further analysis in the same or a different software tool. A summary of the staging and recognition of respiratory events is presented in a different tab of the environment in the form of graphs. This report can also be saved in different file formats. Finally, in another tab, the data from the Android application can be graphically presented. The SmartHypnos eXpert interface was evaluated by 11 sleep specialists with positive results. The SmartHypnos application for Android devices is targeted at a general audience. This application presents data related to the person's physical activity during the day and the subjective sleep quality. In this application, there is the possibility of completing questionnaires to assess sleep quality and stress levels. The combination of recorded data allows the production of personalized suggestions aimed at improving sleep quality and efficiency, which are generated through a decision tree, developed with the help of experts. All data is recorded on the user's device without the need for an internet connection. This application was evaluated by 48 users during a one-week pilot test with positive results. The methods and tools developed are expected to contribute to scientific research and clinical practice, particularly facilitating the work of sleep specialists.
περισσότερα