Modelling of Human Sleep Stage Transitions

Thumbnail Image

URL

Journal Title

Journal ISSN

Volume Title

School of Science | Master's thesis
Checking the digitized thesis and permission for publishing
Instructions for the author

Authors

Date

2010

Department

Informaatio- ja luonnontieteiden tiedekunta

Major/Subject

Sovellettu matematiikka

Mcode

Mat-2

Degree programme

Tuotantotalouden tutkinto-ohjelma

Language

en

Pages

74

Series

Abstract

Human sleep is often studied by measuring the electrical activity of the brain. This gives continuous signals that are scored to sleep stage data. Modelling of the process that generates sleep stage data is useful as it helps to understand characteristics of both normal and abnormal sleep. The aim of this thesis was to explore the use of a stochastic process with the Markov property as a model for sleep that has been measured within a sleep deprivation study design. Probabilities for transitions between sleep stages were studied with Markov chain models. Effects of time-heterogeneity of the process were tested by dividing the night into segments. Models based on segment length of one, two, four, and eight hours were estimated separately for each subject. Assumptions of the Markov model were tested with comparison to models of zeroth and second-order dependence. Also, distributions of sojourn times were studied. Comparison of estimated Markov chains showed differences in transition probabilities between normal and recovery sleep. For validation, simulation was used for generating sleep stage data. Comparison was made with averages of original data. Also, experts were shown simulated and authentic sleep stage data visualized as hypnograms. They recognized simulated hypnograms from authentic ones. But with models of shorter segment length, this was slightly more difficult. The findings suggest that Markov chain models show differences between experimental conditions like sleep deprivation. Thus they can be used for guiding experimental research. Because of the heterogeneity of the process, some other models could be preferable in many cases. For studying sleep deprivation, time-dependence of transition probabilities should be modelled together with effects of the experimental condition.

Unta tutkitaan usein mittaamalla aivojen sähköistä toimintaa. Tästä saatavat jatkuvat signaalit voidaan luokitella diskreetteihin univaiheisiin. Tätä univaihedataa tuottavan prosessin mallintaminen on hyödyllistä, koska se auttaa ymmärtämään sekä tavallisen että patologisen unen piirteitä. Diplomityön tarkoituksena oli tutkia Markov-ominaisuuden omaavan stokastisen prosessin käyttöä mallina univajeen jälkeen mitatulle palautumisunelle sekä normaalille unelle. Siirtymätodennäköisyyksiä univaiheiden välillä tutkittiin Markovin ketjuilla. Prosessin heterogeenisuuden takia mittausyö jaettiin osiin. Jokaiselle koehenkilölle estimoitiin mallit perustuen osiin, joiden pituudet olivat yksi, kaksi, neljä ja kahdeksan tuntia. Markov-mallin oletusten testaamiseksi näitä malleja verrattiin nollannen ja toisen asteen riippuvuuden malleihin. Myös viipymisaikojen jakaumia tutkittiin. Estimoitujen Markovin ketjujen vertailu osoitti eroja siirtymätodennäköisyyksissä normaalin ja palautumisunen välillä. Mallin validoimiseksi simuloitiin univaihedataa. Sitä verrattiin alkuperäisestä datasta laskettuihin keskiarvoihin. Lisäksi asiantuntijoille näytettiin simuloituja sekä alkuperäisiä hypnogrammeja. Asiantuntijat erottivat simuloidut ja aidot hypnogrammit. Kun mallissa käytettiin lyhyempää yön osan pituutta, erottaminen oli hiukan vaikeampaa. Tuloksien perusteella voidaan päätellä, että Markovin ketjut näyttävät eroja koeasetelmien välillä esimerkiksi univajeessa. Niitä voidaan käyttää antamaan suuntaa kokeelliselle tutkimukselle. Kuitenkin univaiheet tuottavan prosessin heterogeenisuuden vuoksi eräät muut mallit voivat olla suotavampia useissa tapauksissa. Univajeen tutkimuksessa siirtymien todennäköisyyksien riippuvuus ajasta ja koeasetelman vaikutuksesta olisi suotavaa mallintaa yhdessä.

Description

Supervisor

Hämäläinen, Raimo P.

Thesis advisor

Virkkala, Jussi

Keywords

stochastic process, stokastinen prosessi, sleep, uni, Markov, Markov

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-2020122356539

Collections

[dipl] Perustieteiden korkeakoulu / SCI