Vylepšení dynamických bayesovských sítí pro analýzu spánku
| školitel: | Ing. Jiří Vomlel, Ph.D. |
| e-mail: | zobrazit e-mail |
| typ práce: | bakalářská práce, diplomová práce |
| zaměření: | MI_MM, MI_AMSM, MINF, APIN |
| klíčová slova: | Dynamic Bayesian Networks, Sleep Analysis, Machine Learning |
| odkaz: | http://www.vomlel.cz |
| popis: | Analýza spánku představuje tradiční aplikační oblast pravděpodobnostních metod. Klasickým příkladem jsou skryté markovské řetězce (Hidden Markov Models) nebo jejich zobecnění - dynamické bayesovské sítě (Dynamic Bayesian Networks) [1]. V poslední době byly v této oblasti aplikovány modely z rodiny neuronových sítí: konvoluční neuronové sítě (convolutional neural networks)[2], rekurentní hluboké neuronové sítě (Recurrent Deep Neural Networks)[3,4]. Speciálním případem rekurentních sítí jsou sítě s dlouhou krátkodobou pamětí (long short-term memory neural networks)[5]. Bayesovské sítě většinou nedosahují kvality predikce hlubokých neuronových sítí, ale jejich výhodou je schopnost poskytnout vysvětlení svých závěrů. V diplomové práci[6] byly dynamické bayesovské sítě modifikovány relaxací předpokladu časové neměnnosti (stacionarity) parametrů tak, že pravděpodobnosti v matici přechodu závisely na době pobytu v dané spánkové fázi. Cílem této práce bude další vylepšení dynamických bayesovských sítí zahrnutím detekce několika spánkových jevu jako jsou procitnutí (sleep arousals)[7], K-komplexy (K-complexes) a spánková vřeténka (spindles). Navržená metoda bude otestována a porovnána s dalšími používanými metodami v této oblasti jako jsou např. náhodné stromy (Random Forests) a metoda podpůrných vektorů (Support Vector Machines). Pro porovnání budou použita rozsáhlá data ze Sleep Heart Health Study (SHHS)[8] obsahující spánkové údaje o 5804 dospělých osobách. |
| literatura: | [1] Jiří Vomlel and Václav Kratochvíl. Dynamic Bayesian Networks for the Classification of Sleep Stages. In Proceedings of the 11th Workshop on Uncertainty Processing (WUPES’18), Třeboň, Czech Republic, 2018, pp. 205-215, http://staff.utia.cas.cz/vomlel/vomlel-kratochvil-2018.pdf [2] Junming Zhang and Yan Wu. A New Method for Automatic Sleep Stage Classification. IEEE Transactions on Biomedical Circuits and Systems, Vol. 11, No. 5, October 2017. [3] Erik Bresch, Ulf Großekathöfer, Gary Garcia-Molina. Recurrent Deep Neural Networks for Real-Time Sleep Stage Classification From Single Channel EEG. Frontiers in Computational Neuroscience. Vol. 12, 2018. https://www.frontiersin.org/article/10.3389/fncom.2018.00085 [4] Patrick Krauss, Claus Metzner, Nidhi Joshi, Holger Schulze, Maximilian Traxdorf, Andreas Maier, Achim Schilling. Analysis and visualization of sleep stages based on deep neural networks, Neurobiology of Sleep and Circadian Rhythms, Vol. 10, 2021, https://doi.org/10.1016/j.nbscr.2021.100064 [5] Mustafa Radha, Pedro Fonseca, Arnaud Moreau, Marco Ross, Andreas Cerny, Peter Anderer, Xi Long, Ronald M. Aarts. Sleep stage classification from heart-rate variability using long short-term memory neural networks. Sci Rep 9, 14149 (2019). https://doi.org/10.1038/s41598-019-49703-y [6] Kristína Blašková, Machine learning methods for sleep analysis, MSc. Thesis, České vysoké učení technické v Praze, Fakulta jaderná a fyzikálně inženýrská, 2020, https://drive.google.com/file/d/1GA4AXBP0RQYAZBPuf8a1SNia76cvgUS7/view?usp=sharing [7] Hongyang Li & Yuanfang Guan, DeepSleep convolutional neural network allows accurate and fast detection of sleep arousal. https://doi.org/10.1038/s42003-020-01542-8 [8] National Sleep Research Resource, Sleep Heart Health Study, https://doi.org/10.25822/ghy8-ks59 |
| naposledy změněno: | 10.10.2022 15:24:34 |
za obsah této stránky zodpovídá:
Pavel Strachota | naposledy změněno: 9.9.2021