본 연구는 수면 단계 전환 시, 자율 신경계의 변동성을 대표하는 심장 박동 특징을 기반으로 수면 단계별 차이를 분석하고, 심장 박동 특징의 수면 단계 분류에 활용되는 특징으로서 활용 가능성에 대해 탐색하였다. 총 10명의 피실험자를 대상으로 수면 다원 검사를 실시하여, ECG 데이터를 수집하였다. 수면 단계 전환 시, 수면 단계 전/후 심장 박동 증감 추세와, 변동 정도를 대표하는 변동성 특징이 제안되었다. 수면 단계 전/후 1분, 3분, 5분 측정 시간의 심장 박동 변동성 특징과 수면 단계의 ANOVA를 수행하였으며, 전/후 변동 정도의 특징이 수면 단계 간 차이가 나타남을 확인할 수 있었다. ...
본 연구는 수면 단계 전환 시, 자율 신경계의 변동성을 대표하는 심장 박동 특징을 기반으로 수면 단계별 차이를 분석하고, 심장 박동 특징의 수면 단계 분류에 활용되는 특징으로서 활용 가능성에 대해 탐색하였다. 총 10명의 피실험자를 대상으로 수면 다원 검사를 실시하여, ECG 데이터를 수집하였다. 수면 단계 전환 시, 수면 단계 전/후 심장 박동 증감 추세와, 변동 정도를 대표하는 변동성 특징이 제안되었다. 수면 단계 전/후 1분, 3분, 5분 측정 시간의 심장 박동 변동성 특징과 수면 단계의 ANOVA를 수행하였으며, 전/후 변동 정도의 특징이 수면 단계 간 차이가 나타남을 확인할 수 있었다. 의사결정나무 기법을 활용한, ECG 특징의 수면 단계 분류 과정에서 변동성 특징은 기존 수면 단계 분류에 활용되었던 특징에 비해 분류 과정에서 높은 중요도를 나타냈다. 그 후, 기존 특징들과 변동성 특징을 기반으로 트리 기반 앙상블 분류 모델인 RF와 XGBoost로 수면 단계를 분류하였다. 기존 특징 기반의 분류 성능보다 변동성 특징을 추가하였을 때, 분류 성능이 향상되었다. 본 연구는 수면 단계 전환 시, 심장 박동 변동성 특징이 기존 ECG 특징보다 수면 단계를 더 명확하게 식별할 수 있으며, 수면 단계 분류에 활용되어, 성능을 향상시킬 수 있음을 보여주었다는 점에서 의의가 있다.
본 연구는 수면 단계 전환 시, 자율 신경계의 변동성을 대표하는 심장 박동 특징을 기반으로 수면 단계별 차이를 분석하고, 심장 박동 특징의 수면 단계 분류에 활용되는 특징으로서 활용 가능성에 대해 탐색하였다. 총 10명의 피실험자를 대상으로 수면 다원 검사를 실시하여, ECG 데이터를 수집하였다. 수면 단계 전환 시, 수면 단계 전/후 심장 박동 증감 추세와, 변동 정도를 대표하는 변동성 특징이 제안되었다. 수면 단계 전/후 1분, 3분, 5분 측정 시간의 심장 박동 변동성 특징과 수면 단계의 ANOVA를 수행하였으며, 전/후 변동 정도의 특징이 수면 단계 간 차이가 나타남을 확인할 수 있었다. 의사결정나무 기법을 활용한, ECG 특징의 수면 단계 분류 과정에서 변동성 특징은 기존 수면 단계 분류에 활용되었던 특징에 비해 분류 과정에서 높은 중요도를 나타냈다. 그 후, 기존 특징들과 변동성 특징을 기반으로 트리 기반 앙상블 분류 모델인 RF와 XGBoost로 수면 단계를 분류하였다. 기존 특징 기반의 분류 성능보다 변동성 특징을 추가하였을 때, 분류 성능이 향상되었다. 본 연구는 수면 단계 전환 시, 심장 박동 변동성 특징이 기존 ECG 특징보다 수면 단계를 더 명확하게 식별할 수 있으며, 수면 단계 분류에 활용되어, 성능을 향상시킬 수 있음을 보여주었다는 점에서 의의가 있다.
In this study, we analyzed the differences in sleep stages based on the heart rate features representing the variation of the autonomic nervous system during sleep stage transition, and explored the possibility of utilization as a feature utilized in the classification of the sleep stages of the var...
In this study, we analyzed the differences in sleep stages based on the heart rate features representing the variation of the autonomic nervous system during sleep stage transition, and explored the possibility of utilization as a feature utilized in the classification of the sleep stages of the variation features. A total of 10 subjects were tested for sleep polysomnography, and ECG data were collected. During transition of sleep stages, the variation features representing the trend of fluctuations in the heart rate before and after the sleep stage and the degree of variation were proposed. ANOVA was performed between the heart rate variability features of the 1 minute, 3 minutes, and 5 minutes measurement time before and after the sleep stage and between the sleep stages. In the sleep stage classification process of ECG features using the decision tree method, the variability features showed higher importance in the classification process than the existing features used in the sleep stage classification. After that, the sleep stage was classified into RF and XGBoost, which are tree-based ensemble classification models, based on existing features and variability features. When the variability feature is added to the existing feature-based classification performance, the classification performance is improved. This study is significant in that it showed that the heart rate variability feature can more clearly identify the sleep stage than the existing ECG feature during transition of sleeps stage, and can be used in the sleep stage classification to improve performance.
In this study, we analyzed the differences in sleep stages based on the heart rate features representing the variation of the autonomic nervous system during sleep stage transition, and explored the possibility of utilization as a feature utilized in the classification of the sleep stages of the variation features. A total of 10 subjects were tested for sleep polysomnography, and ECG data were collected. During transition of sleep stages, the variation features representing the trend of fluctuations in the heart rate before and after the sleep stage and the degree of variation were proposed. ANOVA was performed between the heart rate variability features of the 1 minute, 3 minutes, and 5 minutes measurement time before and after the sleep stage and between the sleep stages. In the sleep stage classification process of ECG features using the decision tree method, the variability features showed higher importance in the classification process than the existing features used in the sleep stage classification. After that, the sleep stage was classified into RF and XGBoost, which are tree-based ensemble classification models, based on existing features and variability features. When the variability feature is added to the existing feature-based classification performance, the classification performance is improved. This study is significant in that it showed that the heart rate variability feature can more clearly identify the sleep stage than the existing ECG feature during transition of sleeps stage, and can be used in the sleep stage classification to improve performance.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.