ETD

Archivio digitale delle tesi discusse presso l'Università di Pisa

Tesi etd-04092019-105024


Tipo di tesi
Tesi di laurea magistrale
Autore
CULCASI, FRANCESCO PAOLO
URN
etd-04092019-105024
Titolo
Deep Learning of Sleep Quality based on Ballistocardiographic sensors, Stigmergic Perceptrons and LSTM Networks
Dipartimento
INGEGNERIA DELL'INFORMAZIONE
Corso di studi
COMPUTER ENGINEERING
Relatori
relatore Prof. Cimino, Mario Giovanni Cosimo Antonio
correlatore Prof.ssa Vaglini, Gigliola
correlatore Galatolo, Federico Andrea
correlatore Palumbo, Filippo
Parole chiave
  • Stigmergy
  • Ballistacardiography
  • Deep learning
  • LSTM
  • Sleep Quality
Data inizio appello
03/05/2019
Consultabilità
Non consultabile
Data di rilascio
03/05/2089
Riassunto
The negative effects due to inadequate sleep in human beings of any age are well known. Neuroscientists and sleep experts work every day to understand how and what makes sleep more effective in its physical and mental recovery action. Among the most adopted techniques, the standard for the measurement of vital parameters on sleeping subjects is certainly Polysomnography. It is a method that involves many sensors and a laboratory environment, factors that introduce inconveniences that could negatively influence the sleep of the individual himself.
In this thesis we will base the experimentation on signals obtained through Ballistocardiography, a portable and less intrusive technique that deduces the heartbeat and respiratory acts based on the accelerations of the body lying on the bed due to forces imparted by the heart to the mass of blood that is pumped to the peripheral body systems.

In order to solve the problem of the parametric complexity of explicit analytical models of sleep quality in terms of "sleep architecture", in this work we propose a Deep Learning architecture based on multiple levels of Stigmergic Perceptrons. This approach describes a soft classification technique on time series with respect to a collection of archetypes, each representing a different behavioral class.

Finally, the Deep Learning architecture is integrated with recurrent Long Short-Term Memory networks, known in literature for the classification of time series, above all for their ability to solve the problem of long-term dependencies over time. This technology is appropriate in order to establish a classifier able to recognize the level of quality of sleep declared by the subjects of the measurements and confirmed by a result obtained through the application of quantitative heuristics.

Keywords: Deep Learning, Sleep Quality, Ballistocardiography, Stigmergic Perceptron, LSTM network

[Italian]
Sono molto noti gli effetti negativi dovuti ad un sonno non adeguato in esseri umani di qualiasi età. Neuroscienziati ed esperti del sonno si adoperano ogni giorno per capire come e cosa renda il sonno più efficace nella sua azione di recupero fisico e mentale. Tra le tecniche più adottate, lo standard per le misurazioni dei parametri vitali su soggetti addormentati è sicuramente la Polisonnografia. Si tratta di un metodo che prevede molti sensori e un ambiente di laboratorio, fattori che introducono scomodità che potrebbero influenzare negativamente il sonno dell'individuo stesso.

In questa tesi baseremo la sperimentazione su segnali ottenuti tramite Ballistocardiografia, una tecnica portabile e meno intrusiva che deduce il battito cardiaco e gli atti respiratori in base alle accelerazioni del corpo giacente sul letto dovute a forze impartite dal cuore alla massa di sangue che viene pompata ai sistemi periferici del corpo.

Al fine di risolvere il problema della complessità parametrica dei modelli analitici espliciti della qualità del sonno in termini di "architettura del sonno", in questo lavoro si propone una architettura di Apprendimento Profondo basata su più livelli di Percettroni Stigmergici. Questo approccio descrive una tecnica di classificazione soft su serie temporali rispetto ad una raccolta di archetipi, ciascuno rappresentante una differente classe comportamentale.

In fine, all'architettura di Apprendimento Profondo si integra l'uso di reti ricorrenti Long Short-Term Memory, note in letteratura per la classificazione di serie temporali soprattutto per la loro capacità di risolvere il problema delle dipendenze a lungo termine nel tempo. Questa tecnologia si rende opportuna allo scopo di costituire un classificatore in grado di riconoscere il livello di qualità del sonno dichiarato dai soggetti delle misurazioni e confermato da un risultato ottenuto tramite applicazione di euristiche quantitative.

Parole chiave: Apprendimento profondo, Qualità del sonno, Ballistocardiografia, Percettrone Stigmergico, reti LSTM
File