Not logged in.
Quick Search - Contribution
Contribution Details
| Type | Master's Thesis |
| Scope | Discipline-based scholarship |
| Title | Deep Learning with Temporal Context for Sleep Stage Classification |
| Organization Unit | |
| Authors |
|
| Supervisors |
|
| Language |
|
| Institution | University of Zurich |
| Faculty | Faculty of Business, Economics and Informatics |
| Date | 2023 |
| Abstract Text | Detecting and solving sleep disorders can significantly impact society and the economy in general. The polysomnogram is the gold standard exam for diagnosing sleep disorders. Manually annotating the patient's sleep has limitations, including its time-consuming and tedious nature, lack of reliability, sensitivity to the setup of different clinics, and motion noise. This work tests the ability of neural network models to be faster and more reliable than manual scoring by incorporating temporal information in the training setting and changing the model architecture. The study concentrates on algorithms that are robust to the setup of different clinics and fair to diverse populations, using an intelligent combination of the most used datasets in experimental settings: the Sleep-EDF and the MASS datasets. We first analyze the ability of the automated classifier to handle data from different sleep centers and patient groups by experimentally testing loss functions and other crucial model parameters across datasets. Then, we incorporate temporal context in the data samples by concatenating previous sleep epochs to the current sample. We show that our model trained on longer temporal context performs equally to many of the analyzed manual sleep stage scoring conducted by expert technicians and is superior to some state-of-the-art models we analyzed. |
| Zusammenfassung | Die Erkennung und Behebung von Schlafstörungen kann erhebliche Auswirkungen auf die Gesellschaft und die Wirtschaft im Allgemeinen haben. Das Polysomnogramm gilt als die Standarduntersuchung zur Diagnose von Schlafstörungen. Die manuelle Aufzeichnung des Patientenschlafs hat allerdings ihre Grenzen, darunter die zeitaufwändige und mühsame Natur, die mangelnde Zuverlässigkeit, die Empfindlichkeit gegenüber der Einrichtung verschiedener Kliniken und Bewegungsgeräusche. In dieser Arbeit wird die Fähigkeit von sogenannten "Neural Networks" getestet, schneller und zuverlässiger zu sein als die manuelle Auswertung, indem zeitliche Informationen in die Trainingseinstellung einbezogen werden und die Modellarchitektur geändert wird. Die Studie konzentriert sich auf Algorithmen, die gegenüber dem Aufbau verschiedener Kliniken robust sind und verschiedenen Populationen gerecht werden. Dabei wird eine intelligente Kombination der am häufigsten verwendeten Datensätze in experimentellen Umgebungen verwendet: die Sleep-EDF- und die MASS-Datensätze. Wir analysieren zunächst die Fähigkeit des automatischen Klassifikators, Daten aus verschiedenen Schlafzentren und Patientengruppen zu verarbeiten, indem wir Verlustfunktionen und andere wichtige Modellparameter in verschiedenen Datensätzen experimentell testen. Dann beziehen wir den zeitlichen Kontext in die Datenproben ein, indem wir frühere Schlafepochen mit der aktuellen Probe verknüpfen. Wir zeigen, dass unser Modell, das auf längeren zeitlichen Kontext trainiert wurde, mit vielen der analysierten manuellen Schlafstadienbewertungen, die von Experten durchgeführt wurden, gleichwertig ist und einigen von uns analysierten State-of-the-Art-Modellen überlegen ist. |
| PDF File |
Download
|
| Export |
BibTeX
|