G5 Artikkeliväitöskirja
Automatic sleep scoring based on multi-modality polysomnography data (2020)


Yan, R. (2020). Automatic sleep scoring based on multi-modality polysomnography data [Doctoral dissertation]. Jyväskylän yliopisto. JYU dissertations, 298. http://urn.fi/URN:ISBN:978-951-39-8329-1


JYU-tekijät tai -toimittajat


Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Yan, Rui

eISBN: 978-951-39-8329-1

Lehti tai sarja: JYU dissertations

eISSN: 2489-9003

Julkaisuvuosi: 2020

Sarjan numero: 298

Kirjan kokonaissivumäärä: 1 verkkoaineisto (60 sivua, 49 sivua useina numerointijaksoina, 5 numeroimatonta sivua)

Kustantaja: Jyväskylän yliopisto

Kustannuspaikka: Jyväskylä

Julkaisumaa: Suomi

Julkaisun kieli: englanti

Pysyvä verkko-osoite: http://urn.fi/URN:ISBN:978-951-39-8329-1

Julkaisun avoin saatavuus: Avoimesti saatavilla

Julkaisukanavan avoin saatavuus: Kokonaan avoin julkaisukanava


Tiivistelmä

Viime vuosikymmenien aikana kiireisen elämäntavan takia modernissa yhteiskunnassa unihäiriöistä tehdyt ongelmat ovat lisääntyneet dramaattisesti ja vaikuttaneet suureen osaan maailman väestöstä. Polysomnografia (PSG) -testi on yleinen työkalu unihäiriöiden diagnosointiin ja PSG-tallenteiden pisteytys on välttämätöntä, mutta aikaa vievä prosessi. Siksi automaattisen unen pisteytyksen merkitys kasvaa ja siitä tulee tärkeä ja välttämätön menetelmä, jotta voidaan vastata kasvaviin tarpeisiin unentutkimuksessa. Tämä väitöskirja laajentaa aiempaa automaattisen unen pisteytyksen tutkimusta kahdesta näkökulmasta. Yksi on tutkia laajasti automaattiseen unen pisteytykseen liittyviä signaalimuotoja ja toimintotyyppejä. Tämän tutkimustyön tuloksena saadaan aikaan optimaalisen signaalin fuusion ja ominaisuusjoukot automaattiselle unipisteytykselle ja lisäksi se selventää edelleen signaalien ja ominaisuuksien vaikutusta univaiheiden erottamiseen. Tulokset osoittavat, että erilaiset ominaisuudet ja signaalitavat ovat koordinoivia ja täydentäviä, mikä hyödyttää luokituksen tarkkuuden parantamista. Toinen tapa on kehittää automaattisia unen pisteytystyökaluja, joihin mahtuu erilaisia aineistoja ja otospopulaatioita säätämättä mallin rakennetta ja parametreja tehtävien välillä. Kokeelliset tulokset osoittavat, että useiden signaalien yhteinen analyysi parantaa ehdotettujen mallien vakautta, kestävyyttä ja yleistettävyyttä. Mallin suorituskyky on varmistettu useilla julkisilla aineistoilla, mikä osoittaa mallin hyvän siirrettävyyden eri aineistojen ja erilaisten tautipopulaatioiden välillä. Yhteenvetona voidaan todeta, että tämä tutkimustulos edistää ymmärrystä taustamekanismista automaattisen unen pisteytyksen aikana ja selkeyttää manuaalisten pisteytyskriteerien ja automaattisten pisteytysmenetelmien välistä yhteyttä. Useiden signaalien yhteinen analyysi parantaa mallin monipuolisuutta, mikä inspiroi ristimallin rakentamista automaattisen unen pisteytyksen alalla. Lisäksi ehdotetut automaattiset unen pisteytysmenetelmät voidaan integroida erilaisiin PSG-järjestelmiin, mikä helpottaa unen seurantaa kliinisessä tai rutiinihoidossa.


YSO-asiasanat: aivotutkimus; uni (lepotila); unihäiriöt; signaalianalyysi; signaalinkäsittely; koneoppiminen

Vapaat asiasanat: automatic sleep scoring; polysomnography; multi-modality analysis; deap learning; machine learning


Liittyvät organisaatiot


OKM-raportointi: Kyllä

Raportointivuosi: 2020


Viimeisin päivitys 2021-07-07 klo 21:34