Dissertação
{pt=Model-Based Clustering Applied to Sleep Macrostructure Analysis} {} EVALUATED
{pt=O trabalho desenvolvido consistiu na aplicação de métodos de aprendizagem automática à análise da macroestrutura da noite de sono (SM), sendo o seu objetivo propor uma divisão do sono baseada na interpretação do computador e independente da atualmente realizada pelo sistema de Rechtschaffen e Kales (R&K). Para tal foi utilizada uma representação simbólica do eletroencefalograma (EEG), na qual foram aplicadas diferentes técnicas de partição – clustering – de dados, com motivação estatística, baseadas em Model-Based Agglomerative Hierarchical Clustering (MBAHC) e Expectation-Maximization (EM), utilizando ainda Bayes factors para seleção de modelos. As partições obtidas para vários registos foram estudadas utilizando as representações gráficas propostas – “cluster fingerprint” e “clustergram” – e comparadas entre si com recurso ao método de alinhamento de partições proposto. Os resultados mostram a consistência da macroestrutura proposta e indicam que a noite de sono é estatisticamente melhor dividida em nove partições. O alinhamento de partições mostrou ainda que esta análise personalizada do sono é viável, conseguindo identificar partições altamente semelhantes nos diferentes registos, o que permitiu uma caracterização geral da macroestrutura proposta. A validação das partições resultantes foi feita com recurso a dois classificadores propostos, que utilizam a macroestrutura obtida para realizar a classificação do sono segundo o sistema de R&K. Observam-se semelhanças substanciais com os estados de sono hoje em dia utilizados, como fica patente no desempenho dos classificadores propostos – 75.28% e 73.88% – que é comparável à apresentada por outros métodos automáticos concebidos especificamente para a classificação do sono segundo o sistema de R&K., en=The work developed consisted on the application of machine learning techniques to the sleep macrostructure (SM) retrieval and analysis, with the objective of proposing a new partition of sleep. This new macrostructure is based on the computer’s interpretation of sleep, i.e. independent of the Rechtschaffen and Kales (R&K) system. This was done using a symbolic representation of the electroencephalogram (EEG), where clustering techniques based on model-based agglomerative hierarchical clustering (MBAHC) and expectation-maximization (EM) were applied, along with Bayesian factors for model comparison. The clusters obtained for several recordings were studied using the proposed graphical representations – the “cluster fingerprint” and the “clustergram” – and compared with each other using the cluster alignment procedure proposed. The results show the proposed methodology’s robustness and indicate that the night of sleep is statistically best divided in nine stages. Cluster alignment also showed that this personalized sleep analysis is in fact viable, as it was able to identify highly similar clusters across recordings, which allowed for a general characterization of the proposed SM. The validation of the resulting partitions was also done with two proposed classifiers, which use the proposed SM to perform classification according to the R&K system. Significant similarities between the obtained clusters and the sleep stages used nowadays are observed, as can be seen by the classifiers’ performances – 75.28% and 73.88% – which are comparable to other automated staging systems designed specifically for classification according to the R&K system.}
outubro 29, 2012, 11:0
Orientação
