Sleep classification in infants using a bed mattress sensor and analysis of ECG

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Vanhatalo, Sampsa
dc.contributor.advisor Stevenson, Nathan
dc.contributor.author Ranta, Jukka
dc.date.accessioned 2018-06-29T08:54:44Z
dc.date.available 2018-06-29T08:54:44Z
dc.date.issued 2018-06-18
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/32512
dc.description.abstract Infants spend the majority of their time asleep. Although extensive studies have been carried out, the role of sleep for infant cognitive, psychomotor, temperament and developmental outcomes is not clear. The current contradictory results may be due to the limited precision when monitoring infant sleep for prolonged periods of time, from weeks to even months. Sleep-wake cycle can be assessed with sleep questionnaires and actigraphy, but they cannot separate sleep stages. The gold standard for sleep state annotation is polysomnography (PSG), which consist of several signal modalities such as electroencephalogram, electrooculogram, electrocardiogram (ECG), electromyogram, respiration sensor and pulse oximetry. A sleep clinician manually assigns sleep stages for 30 sec epochs based on the visual observation of these signals. Because method is obtrusive and laborious it is not suitable for monitoring long periods. There is, therefore, a need for an automatic and unobtrusive sleep staging approach. In this work, a set of classifiers for infant sleep staging was created and evaluated. The cardiorespiratory and gross body movement signals were used as an input. The different classifiers aim to distinguish between two or more different sleep states. The classifiers were built on a clinical sleep polysomnography data set of 48 infants with ages ranging from 1 week to 18 weeks old (a median of 5 weeks). Respiration and gross body movements were observed using an electromechanical film bed mattress sensor manufactured by Emfit Ltd. ECG of the PSG setup was used for extracting cardiac activity. Signals were preprocessed to remove artefacts and an extensive set of features (N=81) were extracted on which the classifiers were trained. The NREM3 vs other states classifier provided the most accurate results. The median accuracy was 0.822 (IQR: 0.724-0.914). This is comparable to previously published studies on other sleep classifiers, as well as to the level of clinical interrater agreement. Classification methods were confounded by the lack of muscle atonia and amount of gross body movements in REM sleep. The proposed method could be readily applied for home monitoring, as well as for monitoring in neonatal intensive care units. en
dc.description.abstract Vauvat nukkuvat suurimman osan vuorokaudesta. Vaikkakin laajasti on tutkittu unen vaikutusta lapsen kognitioon, psykomotoriikkaan, temperamenttiin ja kehitykseen, selkeää kuvaa ja yhtenäistä konsensusta tiedeyhteisössä ei ole saavutettu. Yksi syy tähän on että ei ole olemassa menetelmää, joka soveltuisi jatkuva-aikaiseen ja pitkäkestoiseen unitilan monitorointiin. Vauvojen uni-valve- sykliä voidaan selvittää vanhemmille suunnatuilla kyselyillä ja aktigrafialla, mutta näillä ei voi havaita unitilojen rakennetta. Kliinisenä standardina unitilojen seurannassa on polysomnografia, jossa samanaikaisesti mitataan mm. potilaan elektroenkelografiaa, elektro-okulografiaa, elektrokardiografiaa, electromyografiaa, hengitysinduktiivisesta pletysmografiaa, happisaturaatiota ja hengitysvirtauksia. Kliinikko suorittaa univaiheluokittelun signaaleista näkyvien, vaiheille tyypillisten, hahmojen perusteella. Työläyden ja häiritsevän mittausasetelman takia menetelmä ei sovellu pitkäaikaiseen seurantaan. On tarvetta kehittää tarkoitukseen sopivia automaattisia ja huomaamattomia unenseurantamenetelmiä. Tässä työssä kehitettiin ja testattiin sydämen syke-, hengitys ja liikeanalyysiin perustuvia koneluokittimia vauvojen unitilojen havainnointiin. Luokittimet opetettiin kliinisessa polysomnografiassa kerätyllä datalla 48 vauvasta, joiden ikä vaihteli 1. viikosta 18. viikkoon (mediaani 5 viikkoa). Vauvojen hengitystä ja liikkeitä seurattiin Emfit Oy:n valmistamalla elektromekaaniseen filmiin pohjatuvalla patja-sensorilla. Lisäksi ECG:lla seurattiin sydäntä ja opetuksessa käytettiin lääkärin suorittamaa PSG-pohjaista luokitusta. Esikäsittelyn jälkeen signaaleista laskettiin suuri joukko piirrevektoreita (N=81), joihin luokittelu perustuu. NREM3-univaiheen tunnistus onnistui parhaiten 0.822 mediaani-tarkkuudella ja [0.724,0.914] kvartaaleilla. Tulos on yhtenevä kirjallisuudessa esitettyjen arvojen kanssa ja vastaa kliinikkojen välistä toistettavuutta. Muilla luokittimilla univaiheet sekoituivat keskenään, mikä on oletattavasti selitettävissä aikuisista poikeavalla REM-unen aikaisella lihasjäykkyydellä ja kehon liikkeillä. Työ osoittaa, että menetelmällä voi seurata vauvojen uniluokkien oskillaatiota. Järjestelmää voisi käyttää kotiseurannassa tai vastasyntyneiden teholla unenvalvontaan. fi
dc.format.extent 62+3
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.title Sleep classification in infants using a bed mattress sensor and analysis of ECG en
dc.title Vauvojen unen luokittelu patja-sensorilla ja EKG:lla fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Perustieteiden korkeakoulu fi
dc.subject.keyword infant en
dc.subject.keyword sleep stage classification en
dc.subject.keyword bed mattress sensor en
dc.subject.keyword electrocardiogram en
dc.subject.keyword polysomnography en
dc.subject.keyword electromechanical film en
dc.identifier.urn URN:NBN:fi:aalto-201806293922
dc.programme.major Complex Systems fi
dc.programme.mcode SCI3060 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Saramäki, Jari
dc.programme Master’s Programme in Life Science Technologies fi
local.aalto.electroniconly yes
local.aalto.openaccess yes


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account