FenixEdu™

Dissertação

{pt_PT=Detecção da Posição do Sono Através de Tecnologia de Sensores Localizados no Punho} {} EVALUATED

Detalhes: {pt=A posição do sono é um parâmetro clinicamente relevante, está directamente relacionado com a qualidade do mesmo e associado a patologias como a apneia do sono. O objectivo deste trabalho é responder à questão: É possível determinar a posição do sono, recorrendo apenas a um acelerómetro de três eixos incorporado num smartwatch? Para tal construímos uma base de dados de movimentos do sono. Para a aquisição dos dados desenvolvemos uma aplicação Android que permite a leitura dos valores do acelerómetro do smartwatch. Ao mesmo tempo pacientes do Hospital de Santa Maria também usaram um acelerómetro no punho enquanto dormiam. Os dados obtidos destas noites foram usados para analisar o desempenho do algoritmo. O algoritmo desenvolvido usa classificadores como Redes Neuronais, Máquina de Suporte Vectorial, Modelos de Markov e classificadores de Bayes. A tarefa principal do algoritmo é deteriminar qual o movimento executado e a partir daí inferir a posição. Definindo que apenas 3 posições poss´ıveis (Decúbito Dorsal, Decúbito Lateral e Decúbito Ventral) a precisão média do algoritmo foi 53.2+/-26.9% para redes neuronais ,51.0+/-20.9% para máquinas de suporte vectorial ,44.5+/-15.9% para o classificador de Bayes e 35.6+/-21.1&% para os modelos de Markov. Concluímos que abrimos caminho para o desenvolvimento de um algoritmo que classifica a posição do sono usando apenas um acelerómetro no pulso, embora ainda haja muito espaço para melhorias., en=Sleep position is a clinically relevant parameter, as it affects the quality of sleep and is associated with several pathologies such as sleep apnea. The goal of this work is to answer the question: Is it possible to develop an algorithm that classifies the sleeping position, solely based on a three-axis accelerometer embedded in a smartwatch? For this we built a sleep movement database. To acquire sleep movements we developed an Android application that allowed to record the accelerometer values from a smartwatch. A wrist accelerometer was worn by patients from Hospital de Santa Maria, and volunteers while they slept. The data obtained from these nights was used to assess the algorithm’s performance. The developed algorithm uses classifiers such as Neural Networks, Support Vector Machines, and Naive Bayes classifiers. The core task is to identify the sleep movement performed and from there infer the position. Defining that there can only be 3 possible sleep positions (supine, lateral and prone) the average algorithm accuracy was 53.2+/-26.9% for neural networks ,51.0+/-20.9% for support vector machines ,44.5+/-15.9% for the Naive Bayes classifier and 35.6+/-21.1& with Hidden Markov models. We conclude that we have paved the way for the development of an algorithm that classifies sleep position using only an accelerometer placed on the wrist, as there is a lot of room for improvement.}
Keywords: {pt=posição do sono, apneia do sono, redes neuronais, máquina de suporte vectorial, en=sleep position, sleep apnea, neural networks, accelerometer, support vector machine}

Discussão: novembro 25, 2016, 9:0