| dc.description.abstract | Søvn er en viktig faktor for beskytte en persons fysiske og mentale trivsel. Derfor utføres mange studier som fokuserer på forebygge, diagnostisere og behandle søvnforstyrrelser. En avgjørende del av disse studiene er evaluering av søvnkvalitet. Dette gjøres ofte vedbruk av polysomnografi (PSG), den nåværende gullstandarden for evaluering av søvnkvalitet. Dette er en ganske dyr metode som krever at pasienter tilbringer minst en natt i et søvnlaboratorium mens dem blir overvåket. En opplevelse som ofte blir betraktet som ubehageligav pasientene. Et annet alternativ til PSG er å bruke sensorer festet på kroppen for oppdageog registrere bevegelse. Bevegelsesdataene kan analyseres for gi innsikt i søvnkvalitet.
HUNT4 er den fjerde iterasjonen av den største befolkningsbaserte helseundersøkelsen i Norge. Den startet i september 2017 og var ferdig i februar 2019. Studien bruker to kroppsplasserte Axivity AX3 akselerometer sensorer, en plassert på nedre del av ryggen og en plassert på låret, for å samle inn akselerometerdata fra deltakerne. De innsamlede dataene gir en indikasjon på hver deltakeres nåværende aktivitetsnivå og helsestatus. Søvnkvalitet og søvnmønsterinformasjon er også av stor interesse for HUNT4-studien. For å kunne skaffe seg denne informasjonen er det imidlertid et behov for en maskinlæring klassifikatorsom kan oppdage søvnmønstre fra HUNT4-data. Hovedmålet for vår forskning er å skape en slik klassifikator.
I denne oppgaven har vi gjennomført en strukturert litteratur gjennomgang av tidligere arbeid innen søvnmønster deteksjon samtidig som vi identifiserte forbedringsmuligheter for eksiterende søvnmønsterdeteksjonsmetoder. Vi eksperimenterte med binær- og multi-klasseklassifisering, multi-view læring og halvovervåket og uåvervåket læring. I løpet av våre eksperimenter implementerte vi flere ensemblemetoder for søvnmønsterdeteksjon. Hver metode ble opplært og testet ved bruk av data samlet fra 19 personer diagnostisert med søvnforstyrrelser. Ytelsen til våre foreslåtte metoder ble sammenlignet med ytelsen til Decision Tree, Random Forest og Extreme Gradient Boosting klassifiseringsmetoder. Alle foreslåtte metoder overgikk disse tre metodene. De beste resultatene som ble oppnåddvar for Åvervåket Multi-view med Agglomerative hierarkisk gruppering metoden. Metoden nådde nøyaktighet, følsomhet, spesifisitet og g-mean verdier på henholdsvis 94.51%, 99.13%, 85.16% og 91.88%. | |
