서론: 불면증의 치료에 있어 수면에 관련된 비적응적인 요소들의 교정이 중요하다는 것은 널리 알려진 사실이다. 수면에 관련된 비적응적인 요소를 측정하기 위해 액티그래피를 사용할 수 있지만, 현재 액티그래피에서 측정된 수면 관련 요소들을 자동적으로 분석하여 수면을 예측할 수 있는 도구는 존재하지 않는다. 딥러닝 기술의 도입으로 이러한 수면 관련 요소들을 분석하여 다음날의 수면을 예측하는 ...
서론: 불면증의 치료에 있어 수면에 관련된 비적응적인 요소들의 교정이 중요하다는 것은 널리 알려진 사실이다. 수면에 관련된 비적응적인 요소를 측정하기 위해 액티그래피를 사용할 수 있지만, 현재 액티그래피에서 측정된 수면 관련 요소들을 자동적으로 분석하여 수면을 예측할 수 있는 도구는 존재하지 않는다. 딥러닝 기술의 도입으로 이러한 수면 관련 요소들을 분석하여 다음날의 수면을 예측하는 알고리즘을 개발하는 것을 이 연구의 목표로 삼았다.
재료 및 방법: 총 69명의 피험자 (나이 21-61세, 62.3% 여성) 가 연구에 참여하여, 2주동안 액티그래피와 심박변이 측정 센서(ActiGraph GT3X® and Polar H7®) 를 착용하였다. 기타 수면에 관련된 요소들 중 성별, 나이, 체질량 지수, 일일 알코올 및 카페인 섭취량, 수면 후 개운함 등의 정보는 인터뷰와 수면 일기를 통해 수집하였다. 이렇게 얻어진 정보를 이용해 로지스틱 회귀분석 모델 (전통적인 분석 방식, LR 모델), 랜덤 포레스트 모델 (기계 학습 방식, RF 모델), 1차원 합성곱 신경망 모델 (딥러닝 방식, 1D-CNN 모델)의 총 3가지의 분석 모델을 통해 수면 예측 알고리즘을 개발하였다. 본 연구의 목표 변수는 이분화된 수면 효율이었다. (좋은 수면: 수면 효율 ≥ 90%, 나쁜 수면: 수면 효율 < 90%).
결과: 1D-CNN 모델이 세 모델 중 가장 높은 정확도 (accuracy) 로 예측을 하였으며, 이 결과는 수면 일기 정보가 포함되지 않았을 때 (87.2%) 와 포함되었을 때 (87.2%) 모두 동일하였다. 수면 일기가 포함되지 않은 경우 LR 모델의 정확도는 78.7%, RF 모델의 정확도는 74.2% 였다. 수면 일기가 포함되었을 경우에는 LR 모델은 79.4%, RF 모델은 77.4% 였다. LR 모델의 분석을 통해 성별, 체질량 지수, 저녁 시간의 야외 빛 노출도 및 총 빛 노출도가 수면 효율과 유의한 수준의 상관 관계가 있다는 것을 확인하였다. RF 모델을 통해서는 오전의 격렬한 운동, 저녁의 평균 수준의 운동, 오후 및 저녁의 총 빛 노출도가 수면 효율과 유의한 수준의 상관 관계가 있다는 것을 확인하였다.
결론: 딥러닝 모델을 이용해 개발한 예측 알고리즘은 기타 분석 방식을 이용한 예측 알고리즘에 비해 우월한 수준의 정확도를 가지고 수면 예측에 성공하였다. 이러한 결과를 통해 수면에 관련된 요소들의 자동화된 해석 및 통합을 이용한 수면 예측을 시행할 수 있다. 또한, 추후 액티그래피 등 이동형 기기와 결합되어 수면에 관련된 비적응적인 요소들의 모니터링 및 피드백을 쉽게 제공할 수 있게 되어 미래 의료 임상에서 유용하게 사용될 수 있을 것이다.
서론: 불면증의 치료에 있어 수면에 관련된 비적응적인 요소들의 교정이 중요하다는 것은 널리 알려진 사실이다. 수면에 관련된 비적응적인 요소를 측정하기 위해 액티그래피를 사용할 수 있지만, 현재 액티그래피에서 측정된 수면 관련 요소들을 자동적으로 분석하여 수면을 예측할 수 있는 도구는 존재하지 않는다. 딥러닝 기술의 도입으로 이러한 수면 관련 요소들을 분석하여 다음날의 수면을 예측하는 알고리즘을 개발하는 것을 이 연구의 목표로 삼았다.
재료 및 방법: 총 69명의 피험자 (나이 21-61세, 62.3% 여성) 가 연구에 참여하여, 2주동안 액티그래피와 심박변이 측정 센서(ActiGraph GT3X® and Polar H7®) 를 착용하였다. 기타 수면에 관련된 요소들 중 성별, 나이, 체질량 지수, 일일 알코올 및 카페인 섭취량, 수면 후 개운함 등의 정보는 인터뷰와 수면 일기를 통해 수집하였다. 이렇게 얻어진 정보를 이용해 로지스틱 회귀분석 모델 (전통적인 분석 방식, LR 모델), 랜덤 포레스트 모델 (기계 학습 방식, RF 모델), 1차원 합성곱 신경망 모델 (딥러닝 방식, 1D-CNN 모델)의 총 3가지의 분석 모델을 통해 수면 예측 알고리즘을 개발하였다. 본 연구의 목표 변수는 이분화된 수면 효율이었다. (좋은 수면: 수면 효율 ≥ 90%, 나쁜 수면: 수면 효율 < 90%).
결과: 1D-CNN 모델이 세 모델 중 가장 높은 정확도 (accuracy) 로 예측을 하였으며, 이 결과는 수면 일기 정보가 포함되지 않았을 때 (87.2%) 와 포함되었을 때 (87.2%) 모두 동일하였다. 수면 일기가 포함되지 않은 경우 LR 모델의 정확도는 78.7%, RF 모델의 정확도는 74.2% 였다. 수면 일기가 포함되었을 경우에는 LR 모델은 79.4%, RF 모델은 77.4% 였다. LR 모델의 분석을 통해 성별, 체질량 지수, 저녁 시간의 야외 빛 노출도 및 총 빛 노출도가 수면 효율과 유의한 수준의 상관 관계가 있다는 것을 확인하였다. RF 모델을 통해서는 오전의 격렬한 운동, 저녁의 평균 수준의 운동, 오후 및 저녁의 총 빛 노출도가 수면 효율과 유의한 수준의 상관 관계가 있다는 것을 확인하였다.
결론: 딥러닝 모델을 이용해 개발한 예측 알고리즘은 기타 분석 방식을 이용한 예측 알고리즘에 비해 우월한 수준의 정확도를 가지고 수면 예측에 성공하였다. 이러한 결과를 통해 수면에 관련된 요소들의 자동화된 해석 및 통합을 이용한 수면 예측을 시행할 수 있다. 또한, 추후 액티그래피 등 이동형 기기와 결합되어 수면에 관련된 비적응적인 요소들의 모니터링 및 피드백을 쉽게 제공할 수 있게 되어 미래 의료 임상에서 유용하게 사용될 수 있을 것이다.
Background: Evaluation and adjusting maladaptive behavioral sleep-related factors such as light exposure and activity during daytime is important to treatment of insomnia. One of the possible ways to gather information about sleep-related factors is actigraphy. However, until now, it is not known ho...
Background: Evaluation and adjusting maladaptive behavioral sleep-related factors such as light exposure and activity during daytime is important to treatment of insomnia. One of the possible ways to gather information about sleep-related factors is actigraphy. However, until now, it is not known how sleep-related factors are related to the sleep of the night. Furthermore, there is no model for prediction of sleep at the following night with automatic integration of sleep-related factor data. Development of sleep prediction algorithm that integrates sleep-related information with actigraphy can be beneficial for adjusting maladaptive behavioral sleep-related factors of insomnia. This study aimed to develop sleep prediction model using deep learning technology as well as traditional analysis model with information about daytime sleep-related factors.
Methods: Eighty-three healthy participants who does not having sleep disturbances subjectively were enrolled to this study and were asked to use actigraphy and heart rate sensor (ActiGraph GT3X® and Polar H7®) for two weeks. From actigraphy, information of physical activity, light exposures were gathered. Heart rate variability (HRV) was measured by heart rate sensor. Other sleep-related factors including sex, age, body mass index (BMI), daily consumption of caffeine or alcohol, and recuperation were assessed by interview and sleep diary. I used three models for sleep prediction: multi-input one-dimensional convolutional neural network (1D-CNN) model as deep learning model, logistic regression (LR) model, and random forest (RF). I used a dependent variable of the study as sleep efficiency (good sleep for sleep efficiency ≥ 90% and bad sleep for sleep efficiency < 90%).
Results: 1D-CNN model showed the greatest accuracy among three models in both without sleep diary (87.2%) and with sleep diary (87.2%). Without sleep diary, accuracy of LR model was 78.7% and accuracy of RF model was 74.2%. With sleep diary, accuracy of LR model was 79.4% and accuracy of RF model was 77.4%. Sex, BMI, light exposure during evening, and outdoor light exposure during evening were significantly correlated with sleep efficiency from LR model. From RF model, vigorous physical activity in the morning, moderate physical activity during evening, total light exposure in the afternoon and evening, HRV were found to have more impact than other variables with sleep efficiency.
Conclusions: I found that sleep-related factors during daytime were related to good sleep at the night. Sleep prediction model with deep learning technology has superior accuracy to the LR model and RF model. Sleep prediction algorithm found in this study can be used for treating maladaptive behavioral sleep-related factors in insomnia. For this purpose, it would be helpful to develop a time-series model with several days’ sleep-related information that predicts sleep at the following night.
Background: Evaluation and adjusting maladaptive behavioral sleep-related factors such as light exposure and activity during daytime is important to treatment of insomnia. One of the possible ways to gather information about sleep-related factors is actigraphy. However, until now, it is not known how sleep-related factors are related to the sleep of the night. Furthermore, there is no model for prediction of sleep at the following night with automatic integration of sleep-related factor data. Development of sleep prediction algorithm that integrates sleep-related information with actigraphy can be beneficial for adjusting maladaptive behavioral sleep-related factors of insomnia. This study aimed to develop sleep prediction model using deep learning technology as well as traditional analysis model with information about daytime sleep-related factors.
Methods: Eighty-three healthy participants who does not having sleep disturbances subjectively were enrolled to this study and were asked to use actigraphy and heart rate sensor (ActiGraph GT3X® and Polar H7®) for two weeks. From actigraphy, information of physical activity, light exposures were gathered. Heart rate variability (HRV) was measured by heart rate sensor. Other sleep-related factors including sex, age, body mass index (BMI), daily consumption of caffeine or alcohol, and recuperation were assessed by interview and sleep diary. I used three models for sleep prediction: multi-input one-dimensional convolutional neural network (1D-CNN) model as deep learning model, logistic regression (LR) model, and random forest (RF). I used a dependent variable of the study as sleep efficiency (good sleep for sleep efficiency ≥ 90% and bad sleep for sleep efficiency < 90%).
Results: 1D-CNN model showed the greatest accuracy among three models in both without sleep diary (87.2%) and with sleep diary (87.2%). Without sleep diary, accuracy of LR model was 78.7% and accuracy of RF model was 74.2%. With sleep diary, accuracy of LR model was 79.4% and accuracy of RF model was 77.4%. Sex, BMI, light exposure during evening, and outdoor light exposure during evening were significantly correlated with sleep efficiency from LR model. From RF model, vigorous physical activity in the morning, moderate physical activity during evening, total light exposure in the afternoon and evening, HRV were found to have more impact than other variables with sleep efficiency.
Conclusions: I found that sleep-related factors during daytime were related to good sleep at the night. Sleep prediction model with deep learning technology has superior accuracy to the LR model and RF model. Sleep prediction algorithm found in this study can be used for treating maladaptive behavioral sleep-related factors in insomnia. For this purpose, it would be helpful to develop a time-series model with several days’ sleep-related information that predicts sleep at the following night.
주제어
#sleep prediction insomnia sleep efficiency deep learning actigraphy
학위논문 정보
저자
Kyungmee Park
학위수여기관
연세대학교 일반대학원
학위구분
국내박사
학과
의학과 정신건강의학
지도교수
이은
발행연도
2019
총페이지
55p.
키워드
sleep prediction insomnia sleep efficiency deep learning actigraphy
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.