Feature selection for the purpose of segmentation of polysomnograms in subjects with developmental brain disorders
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Helsinki University of Technology |
Diplomityö
Checking the digitized thesis and permission for publishing
Instructions for the author
Instructions for the author
Authors
Date
2003
Department
Major/Subject
Informaatiotekniikka
Mcode
T-61
Degree programme
Language
en
Pages
99
Series
Abstract
Unen luokitusta tarvitaan monilla lääketieteen aloilla. Esimerkiksi unihäiriöiden diagnosointi olisi mahdotonta ilman unen luokittelua, ja unien luokittelua tarvitaan myös monilla muilla kliinisen neurofysiologian alueilla. Unen luokittelu tehdään yleensä Rechtschaffenin ja Kalesin kehittämien sääntöjen mukaan. Tämä standardimenetelmä on ollut yleisesti käytössä unitutkimuksessa vuosien ajan. Luokittelua varten tarvitaan EEG-, EMG- ja EOG-signaaleita, jotka tallennetaan. Näiden signaalien perusteella uni sitten luokitellaan eri luokkiin pätkittäin. Koska luokittelu tehdään manuaalisesti, yhdenkin yön luokittelu kestää tunteja. Tämän vuoksi on tärkeää kehittää luotettava järjestelmä unen luokitteluun tietokoneilla. Lähes kaikki tähän mennessä tehdyt automaattiset järjestelmät ovat käsitelleet vain terveiden ihmisten unta. Jos järjestelmän halutaan olla mahdollisimman luotettava, sen tulee toimia myös niiden ihmisten kanssa, joilla on poikkeavuuksia unessa, esimerkiksi kehitysvammaisten kanssa. Tässä työssä käytetään myös unihäiriöisten unitallenteita. Tässä työssä käytetään monia kirjallisuudesta löytyviä piirteitä ja piirrevalinta-algoritmeja parhaimpien piirrejoukkojen löytämiseksi. Unitilojen ja niiden välisten siirtymien visualisointia varten työssä käytettiin itseorganisoituvaa karttaa, jolla myös valittujen piirrejoukkojen teho järjestää tilat kartalla mielekkäisiin segmentteihin tarkistettiin. Piirrevalinta-algoritmien avulla piirteiden määrä saatiin pienennettyä alkuperäisestä kymmeneen luokittelutarkkuuden kärsimättä. Valituilla piirteillä saavutettiin 60 prosentin luokittelutarkkuus. Luokittelutarkkuus kehitysvammaisille (alle 60%) oli huomattavasti alempi kuin terveille (70-80%).Description
Supervisor
Kaski, SamuelThesis advisor
Joutsiniemi, Sirkka-LiisaKeywords
sleep staging, unen luokittelu, feature selection, piirrevalinta, analyzing sleep stages, univaiheiden analyysi, estimation of classification accuracy, luokittelutarkkuuden estimointi