Please use this identifier to cite or link to this item:
http://hdl.handle.net/1843/74329
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor1 | Carlos Alberto Tagliati | pt_BR |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/8464038725747139 | pt_BR |
dc.contributor.advisor-co1 | João Paulo Ataide Martins | pt_BR |
dc.contributor.referee1 | Gerald Weber | pt_BR |
dc.contributor.referee2 | Raquel Cardoso de Melo Minardi | pt_BR |
dc.creator | Larissa Oliveira Lauriano | pt_BR |
dc.creator.Lattes | http://lattes.cnpq.br/9435943485727473 | pt_BR |
dc.date.accessioned | 2024-08-20T14:45:55Z | - |
dc.date.available | 2024-08-20T14:45:55Z | - |
dc.date.issued | 2024-04-25 | - |
dc.identifier.uri | http://hdl.handle.net/1843/74329 | - |
dc.description.abstract | Os algoritmos de estadiamento do sono podem servir para reduzir custos e tempo para o estadiamento do EEG de uma polissonografia de tipo 1, integrar dados sobre o estadiamento do sono em testes domiciliares de apneia do sono, avaliar o desempenho do sono para fins não diagnósticos e ajudar a identificar estágios específicos do sono para estimulação neurológica. Este estudo tem como objetivo desenvolver um algoritmo de redes neurais recorrentes para estadiamento do sono, utilizando 2017 polissonografias de cinco conjuntos de dados distintos. Características lineares e não lineares foram extraídas de dados de EEG, EOG e EMG para criação de modelos com combinações dessas características. Dos 1628 indivíduos no grupo de treinamento, a idade média foi de 67,2 anos. No primeiro conjunto de testes, com 389 indivíduos, a idade média foi de 68,4 anos, 62% do sexo masculino e 38% feminino. Os melhores resultados foram obtidos pelos modelos com os dados de EEG e EOG. A precisão mediana foi de 85,4%, com uma mediana de Kappa de 78,6%. Especificamente para o estágio N1 do sono, o modelo alcançou um escore F1 médio de 41%. Os estágios R, N2 e W demonstraram escores F1 medianos excedendo o limite de 85%. Uma das imprecisões mais comuns envolveu a rotulação errada do estágio N1 como estágio N2, o que ocorreu em 30,9% de todos os episódios de estágio N1 verdadeiros. A taxa de transição prevista teve um impacto negativo significativo na precisão do modelo. A idade, etnia e IMC não tiveram um efeito significativo na precisão deste modelo. Houve uma correlação negativa leve entre AHI e precisão do modelo. No segundo conjunto de teste, analisado por cinco examinadores e composto por 80 indivíduos, a idade média foi de 35,2 anos para o grupo saudável (25 indivíduos) e 45,6 anos para o grupo de apneia (55 indivíduos). O modelo demonstrou um coeficiente kappa de Cohen de 0,68. O estágio N1 do sono teve um escore F1 médio de 41,6. Para o estágio W, o escore F1 médio foi de 74,9. O estágio N3 apresentou um escore F1 médio de 67,7. No geral, o modelo alcançou uma precisão mediana de 81,50% em todas as PSGs deste conjunto de teste. Em média, o grupo saudável apresentou uma precisão mais alta (81,12% vs. 76,82%), kappa mais alto (72,45% vs. 66,18%), MCC mais alto (73,50% vs. 67,50%) e pontuações F1 macro mais altas (73,16% vs. 67,93%) em comparação com o grupo obstrutivo. Desafios na implementação foram relatados, além de recomendações para profissionais de saúde que utilizam esses recursos. Pode-se concluir que este algoritmo é uma ferramenta para reduzir o trabalho e custos associados aos estudos do sono. | pt_BR |
dc.description.resumo | Sleep staging algorithms can serve to reduce costs and time for sleep scoring of type 1 polysomnography, integrate sleep stages data into home sleep apnea tests, evaluate sleep performance for non-diagnostic purposes, and help identify specific sleep stages for neurological stimulation. In this study an RNN algorithm was developed for sleep stage scoring, using 2017 polysomnographies from five distinct datasets. Linear and non-linear characteristics were extracted from EEG, EOG, and EMG data for model creation with combinations of these characteristics. Of the 1628 individuals in the training group, the mean age was 67.2 years. In the first test set, comprising 389 individuals, the mean age was 68.4 years, with 62% male and 38% female. The best results were obtained by models with EEG and EOG data. The median accuracy was 85.4%, with a median Kappa of 78.6%. Specifically for the N1 sleep stage, the model achieved an average F1 score of 41%. Stages R, N2, and W demonstrated median F1 scores exceeding the 85% threshold. One of the most common inaccuracies involved mislabeling N1 stage as N2 stage, occurring in 30.9% of all true N1 stage episodes. The predicted transition rate had a significant negative impact on model accuracy. Age, ethnicity, and BMI did not have a significant effect on the accuracy of this model. There was a slight negative correlation between AHI and model accuracy. In the second test set, assessed by five examiners and comprising 80 individuals, the mean age was 35.2 years for the healthy group (25 individuals) and 45.6 years for the apnea group (55 individuals). The model demonstrated a Cohen's kappa coefficient of 0.68. The N1 sleep stage had an average F1 score of 41.6. For stage W, the average F1 score was 74.9. Stage N3 exhibited an average F1 score of 67.7. Overall, the model achieved a median accuracy of 81.50% across all test PSGs on this test set. On average, the healthy group exhibited higher accuracy (81.12% vs. 76.82%), higher kappa (72.45% vs. 66.18%), higher MCC (73.50% vs. 67.50%), and higher F1 macro scores (73.16% vs. 67.93%) compared to the obstructive group. Implementation challenges were reported, along with recommendations for healthcare professionals utilizing these resources. It can be concluded that a fast algorithm has been developed in this study, which requires few computational resources, is scalable, and can reduce costs associated with sleep stage scoring. | pt_BR |
dc.language | eng | pt_BR |
dc.publisher | Universidade Federal de Minas Gerais | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Bioinformatica | pt_BR |
dc.publisher.initials | UFMG | pt_BR |
dc.rights | Acesso Restrito | pt_BR |
dc.subject | EEG Analysis | pt_BR |
dc.subject | Machine Learning | pt_BR |
dc.subject | Computerized Analysis | pt_BR |
dc.subject | EEG Spectral Analysis | pt_BR |
dc.subject | Nonlinear Analysis | pt_BR |
dc.subject | Polysomnography | pt_BR |
dc.subject | Sleep Scoring | pt_BR |
dc.subject.other | Bioinformática | pt_BR |
dc.subject.other | Eletroencefalografia | pt_BR |
dc.subject.other | Aprendizado de Máquina | pt_BR |
dc.subject.other | Sono | pt_BR |
dc.subject.other | Polissonografia | pt_BR |
dc.title | Utilizing machine learning for sleep stage classification in polysomnography: implementation and challenges from a physician perspective | pt_BR |
dc.type | Dissertação | pt_BR |
dc.description.embargo | 2026-04-25 | - |
Appears in Collections: | Dissertações de Mestrado |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
Trabalho mestrado Larissa (3).pdf ???org.dspace.app.webui.jsptag.ItemTag.restrictionUntil??? 2026-04-25 | Dissertação de mestrado para repositório | 1.31 MB | Adobe PDF | View/Open Request a copy |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.