aalto1 untyped-item.component.html
Infant sleep staging with wearable sensors and deep learning: Evaluating and controlling age-related effects
Loading...
Files
Aalto login required (access for Aalto Staff only).
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
SCI3029
Degree programme
Language
en
Pages
47
Series
Abstract
Early childhood sleep problems have been associated with a variety of health and developmental issues. Sleep staging is used in clinical studies to diagnose sleep-related health issues. Standardized sleep staging typically requires a medical sleep study, usually polysomnography (PSG), which includes an electroencephalogram (EEG) analysis performed by a medical professional. Conventional sleep staging is not a practical solution for studying sleep in home environments, and alternative methods are needed to enable long-term sleep monitoring at home for children.
Ranta et al. (2021) developed a wearable device for infants called NApping PAnts (NAPPA), which uses an accelerometer and gyroscope to record abdominal movements during sleep. We developed a deep learning classifier based on a bidirectional gated recurrent unit (GRU) for automatic infant sleep classification using the NAPPA device, leveraging an annotated dataset of 36 sleep recordings. The classifier achieved a median accuracy of 77% in detecting stages of deep sleep, light sleep, and wakefulness using five movement and respiratory features derived from sensor signals. Infant sleep and its indicators, such as respiratory rate, are dynamic and change within the first two years after birth. This variability may pose challenges for deep learning-based classifiers, as the training data typically consists of infants of varying ages.
In this study, we performed a data analysis focusing on the effects of age variability on the features recorded by the NAPPA system and then sought methods to improve the classifier’s performance by accounting for the dynamic nature of infant sleep and the influence of age.
We found a clear relationship between infant age and the recorded features, as well as between age and classifier performance. However, the proposed methods ultimately did not improve classifier performance. Although performance did not improve, our findings emphasize the importance of age in the automatic staging of infant sleep when using wearable sensors. The relationship between age, sleep habits, and recorded features suggests that age-specific adjustments could potentially improve the accuracy of sleep classifiers.
Varhaislapsuuden uniongelmat on yhdistetty monenlaisiin terveys- ja kehitysongelmiin. Unen vaiheistusta käytetään kliinisissä tutkimuksissa unen terveyteen liittyvien ongelmien diagnosoimiseksi. Standardoitu unen vaiheistus edellyttää lääketieteellistä unitutkimusta, tavallisesti polysomnografiaa (PSG), johon sisältyy myös lääketieteen ammattilaisen tekemä elektroenkefalografian (EEG) analyysi. Tavanomainen unen vaiheistus ei ole toimiva ratkaisu unen tutkimuksiin kotioloissa, ja tarvitaan vaihtoehtoisia menetelmiä, jotka mahdollistavat unen pitkäaikaisen seurannan lapsen kotona.
Ranta et al. (2021) ovat kehittäneet vauvoille puettavan NApping PAnts (NAPPA) -laitteen, joka käyttää kiihtyvyysanturia ja gyroskooppia tallentaakseen vatsan liikkeitä unen aikana. Olemme kehittäneet kaksisuuntaiseen portitettuun toistuvaan yksikköön (engl. bidirectional gated recurrent unit) perustuvan syväoppimisluokittimen vauvojen unen automaattiseen luokitteluun NAPPA-laitteen avulla, käyttäen annotoitua 36 unitallenteen tietoaineistoa. Luokittimen mediaanitarkkuus syvän unen, kevyen unen ja heräämisen havaitsemisessa oli 77%, käyttäen viittä anturisignaaleista johdettua liikkeen aktiivisuuteen ja hengitykseen liittyvää piirrettä.
Vauvojen uni ja sen indikaattorit, kuten hengitystaajuus, ovat dynaamisia ja muuttuvat ensimmäisten kahden vuoden aikana syntymän jälkeen. Tämä vaihtelevuus aiheuttaa mahdollisesti haasteita syväoppimiseen perustuville luokittelijoille, sillä niiden kouluttamiseen käytettävä data koostuu yleensä eri-ikäisistä vauvoista.
Tässä tutkielmassa suoritamme data-analyysin, jossa keskitymme tutkimaan, miten vaihteleva ikä vaikuttaa NAPPA-järjestelmän tallentamiin piirteisiin, ja sen jälkeen yritämme löytää menetelmiä, joilla voidaan parantaa luokittelijan suorituskykyä ottaen huomioon vauvojen unen dynaamisen luonteen ja iän vaikutuksen.
Löysimme selvän yhteyden vauvojen iän ja tallennettujen piirteiden sekä iän ja luokittimen suorituskyvyn välillä. Ehdotetut menetelmämme eivät kuitenkaan lopulta parantaneet luokittelijan suorituskykyä. Vaikka suorituskyky ei parantunut, havaintomme korostavat iän merkitystä vauvojen automaattisen unen vaiheistuksen yhteydessä, kun käytetään puettavia antureita. Iän, unitottumusten ja tallennettujen piirteiden välinen suhde viittaa siihen, että ikäkohtaiset mukautukset saattavat olla hyödyksi uniluokittelijoiden tarkkuuden parantamisessa.