Lista przedmiotów z materiałami udostępnionymi dla studentów

Dla_studentów
  • Increase font size
  • Default font size
  • Decrease font size

Mateusz Semeradt

Projekt i implementacja akustycznego monitora bezdechów sennych


Design and implementation of an acoustic sleep apnea monitor


Opiekun pracy dyplomowej: dr inż. Michał Bujacz
Praca dyplomowa inżynierska obroniona 2022-03-25
Streszczenie pracy dyplomowej:
Celem pracy jest zaprojektowanie czujnika akustycznego bezdechów sennych łatwo dostępnego dla pacjentów. Część teoretyczna zawiera informacje na temat choroby, metod diagnozowania i badań naukowych zaburzeń snu na podstawie, których oparłem praktyczną implementacje systemu. Zawiera również istniejące na rynku rozwiązania problemu detekcji bezdechu sennego z badaniami medycznymi wykorzystywanymi w diagnozie. W części praktycznej pozyskałem nagrania od trzech podmiotów badawczych. Przeprowadziłem analizę dźwięku z 400 pięciosekundowych nagrań, podzielonych na jednosekundowe fragmenty, dających 2000 plików do analizy. Wyniki z ekstrakcji charakterystyk dźwięku wprowadziłem do nauczania maszynowego, klasyfikujące dźwięki chrapania i oddychania, i graficzną reprezentacje danych. Precyzja sklasyfikowanych danych oscyluję w granicach 91%. Akustyczna detekcja bezdechów sennych przy wykorzystaniu uczenia maszynowego jest możliwa, lecz efekt diagnostyczny nie będzie niepodważalny. Słowa Klucze : Bezdech, Chrapanie, Sen, Analiza Akustyczna, Klasyfikator
Abstract:
The aim of the thesis is to design easily-accessible acoustic sleep apnea monitor. Theoretical part of the paper contains information about the disease, methods of diagnosis, research on sleep disorders as a base of a knowledge for implementation of the system. Solutions for sleep apnea detection that exist on a market were described with the available medical examinations. In the practical part I acquired sleep recordings of three test subjects. I have conducted an analysis of the sound taken from 400 5 second recordings that have been divided to 1 second segments amounting to a total of 2000 files. Extraction of the sound characteristics allowed introduction of machine learning which was responsible for snoring and breathing detection with graphical representation of data. Precision of classified data oscillates around 91%. Conducted research demonstrated that acoustic detection of sleep apnea using machine learning is feasible, but unlikely to result in a clear diagnosis. Słowa Kluczowe : Apnea, Snoring, Sleep, Acoustic Analysis, Classificator.