VALUTAZIONE COMPARATIVA TRA METODI DI ......Valutazione comparativa tra metodi di segmentazione...
Transcript of VALUTAZIONE COMPARATIVA TRA METODI DI ......Valutazione comparativa tra metodi di segmentazione...
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 1
POLITECNICO DI MILANO
Scuola di Ingegneria Industriale e dell’Informazione
Corso di Laurea Magistrale in Ingegneria Biomedica
VALUTAZIONE COMPARATIVA TRA METODI DI
SEGMENTAZIONE ADATTATIVA E FINESTRATURA A
LARGHEZZA FISSA DI UN SEGNALE ECG PER
MIGLIORARE LA DETEZIONE DELLE FASI DEL SONNO
Relatore: Prof.ssa Anna Maria Bianchi
Correlatore: Ing. Matteo Migliorini
Tesi di laurea di:
Giovanni Battista Pirovano
787363
Anno Accademico 2012/2013
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 2
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 3
Indice
1. SOMMARIO................................................................................................................. 6
2. ABSTRACT ................................................................................................................ 12
3. INTRODUZIONE ...................................................................................................... 18
4. STATO DELL’ARTE ................................................................................................ 22
5. MATERIALI E METODI ......................................................................................... 34
5.1 PROTOCOLLO SPERIMENTALE .................................................................................. 35
5.2 PRE-PROCESSING DEI DATI ........................................................................................ 36
5.3 SEGMENTAZIONE ....................................................................................................... 43
5.3.1 Finestratura a lunghezza fissa ............................................................................ 44
5.3.2 Segmentazione a finestra adattativa ................................................................... 45
5.4 ESTRAZIONE DI FEATURES SPETTRALI ................................................................ 48
5.5 CLASSIFICAZIONE ................................................................................................ 51
6. RISULTATI ................................................................................................................ 54
7. CONCLUSIONI E SVILUPPI FUTURI.................................................................. 65
8. BIBLIOGRAFIA ........................................................................................................ 67
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 4
Indice delle figure
Figura 1: Esecuzione di un esame polisonnografico ........................................................... 20
Figura 2: Esempio di materasso sensorizzato ...................................................................... 21
Figura 3: Ipnogramma ......................................................................................................... 22
Figura 4: Variazione della PSD tra REM, NREM, AWAKE .............................................. 24
Figura 5: Esempio di PSD nelle diverse componenti spettrali ............................................ 25
Figura 6: Posizionamento dei poli sul CU a seconda dello stage ........................................ 29
Figura 7: Metodo SEM per segmentazione adattativa di tracciati EEG .............................. 32
Figura 8: Diagramma a blocchi sullo svolgimento del lavoro............................................. 34
Figura 9: Riconoscimento dei picchi R con algoritmo di Pan-Tompkins .......................... 37
Figura 10: Ipnogramma sincronizzato con RR .................................................................... 37
Figura 11: Metodo di correzione dei poli ............................................................................ 40
Figura 12: Conteggi del numero di correzioni sui poli ........................................................ 40
Figura 13: Effetti della correzione dei poli sulla varianza dell'errore di predizione ........... 41
Figura 14: Effetti della correzione dei poli su VLF e HFPoleMdule .................................. 42
Figura 15: Ipnogramma corretto secondo la convenzione utilizzata ................................... 43
Figura 16: Lunghezza media epoche simili su ogni soggetto .............................................. 47
Figura 17: Risultato della segmentazione su un soggetto.................................................... 48
Figura 18: Variazione di LF/HF in corrispondenza di diversi stage .................................. 49
Figura 19: Istogrammi ottenuti con finestratura fissa .......................................................... 50
Figura 20: Istogrammi ottenuti con segmentazione adattativa ............................................ 50
Figura 21: Cohen's K per ogni confronto tra stage e per ogni permutazione tra descrittori 52
Figura 22: Cohen's K tra accorpamenti di stage e per ogni permutazione tra descrittori .... 53
Figura 23: Schema di esecuzione della classificazione a stadi per le tre reti ...................... 63
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 5
Indice delle tabelle
Tabella 1: Risultati classificazione Stage 3 Vs [Stage 1; Stage 2; Stage5] ......................... 10
Tabella 2: Risultati classificazione a stadi ........................................................................... 10
Tabella 3: Results classification of Stage 3 Vs [Stage 1; Stage 2; Stage5] ......................... 15
Tabella 4: Results of level classification ............................................................................. 16
Tabella 5: Segnali utilizzati ................................................................................................. 35
Tabella 6: [Stage 1] Vs [Stage 2] Vs [Stage 3] Vs [Stage 4]. ............................................. 54
Tabella 7: [Stage 1; Stage 5] Vs [Stage 2; Stage 3]............................................................. 56
Tabella 8: [Stage 1] Vs [Stage 3] Vs [Stage 5].................................................................... 57
Tabella 9: [Stage 3] Vs [Stage 1; Stage 2; Stage 5]............................................................. 58
Tabella 10: [Stage 1] Vs [Stage 2; Stage 5] ........................................................................ 60
Tabella 11: [Stage 2] Vs [Stage 1; Stage 5] ........................................................................ 61
Tabella 12: Risultati classificazione a stadi ......................................................................... 63
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 6
1. Sommario
Obiettivi
Il sonno ricopre un ruolo fondamentale nella vita di ogni uomo ed è in grado di
influenzarne lo stato di salute: un buon riposo durante le ore notturne favoriscein fase di
veglia le performance di ogni individuo che si concretizzano in un buon livello di
attenzione, buona capacità di memorizzazione e apprendimento.[26] Al contrario un
cattivo riposo (che può essere causato da diversi fattori: apnee notturne, roncopatia,
sindrome delle gambe senza riposo, stress ) può provocare delle alterazioni a livello
psicofisico che si ripercuotono durante la giornata penalizzando la qualità della vita. [3]
È possibile monitorare il sonno e studiarnele alterazioni effettuando un esame di
Polisonnografia che prevede l’acquisizione simultanea di diversi segnali (ECG, EOG,
EEG)sul paziente presso una struttura specializzata. Al termine dell’acquisizione un
medico esegue il riconoscimento delle fasi del sonno: il periodo in cui il paziente ha
dormito viene suddiviso in epoche da 30 secondi e ad ogni epoca, sulla base dei segnali
acquisiti, il medico assegna uno stage. Gli stage che possono essere assegnati sono:
WAKE, REM e NON-REM che a sua volta può essere suddiviso in quattro sotto-fasi,
rispettivamente NREM 1, 2 ,3, 4 (recentemente il numero di stage del NRMEM è stato
ridotto a 3 [23]).[10]
L’esame polisonnografico richiede che il paziente trascorra la notte presso una struttura
attrezzata; questo potrebbe alterare le sue condizioni psichiche che potrebbero avere delle
implicazioni durante la notte stessa. Per questo motivo sarebbe preferibile acquisire i
segnali nel letto di casapropria in una notte regolare.
Sono allo studio delle tecnologie wearable o dei materassi sensorizzati per poter permettere
al paziente di indossare questi device direttamente dal letto di casa. Inoltre sono allo studio
diverse tecniche di detezione e classificazione automatica del sonno.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 7
L’intento di questa branca è quello di introdurre degli algoritmi che riescano a stadiare il
sonno automaticamente eliminando la figura del tecnico specializzato così da ridurre i costi
di personale, di allestimento e di manutenzione delle strutture ospedaliere.
Nel caso di riconoscimento automatico delle fasi del sonno si generano delle caratteristiche
spettrali mediate su finestre di 30 secondi da passare al classificatore per poter predire gli
stati del sonno. [27]
La lunghezza dell’epoca su cui si calcolano i descrittori spettrali è mantenuta fissa per
uniformarsi allo standard di stadiazione finora utilizzato ma così facendo si trascurano le
dinamiche effettive del sonno che può mantenere uno stadio per una durata non
necessariamente multipla di 30 secondi.
Questo lavoro di tesi ha come obiettivo l’affinamento di alcune tecniche di stadiazione del
sonno sulla base di un tracciato ECG, in particolare sicercherà di migliorare la tecnica di
classificazione ottenuta su finestra a lunghezza fissa e di implementare una nuova tecnica
di segmentazione adattativa del tracciato RR.
Materiali e metodi
Per condurre questo lavoro sono stati utilizzati dati liberamente accessibili dalla
piattaforma Physionet. In particolare sono stati utilizzati tracciati riconducibili ai database:
CAP Sleep Database [23] [24],University College Dublin Sleep Apnea Database [25],
MIT-BIH Polysomnographic Database. [23]
Sono stati selezionati i tracciati ECG dei soli pazienti sani e convertiti in file .mat a
formare un dataset di partenza di 47 soggetti. Il lavoro è stato interamente svolto con
Matlab® 2014a.
La prima parte del progetto ha previsto la preparazione dei segnali che sono stati
inizialmente convertiti dai formati di provenienza in formato .mat e unificati in un solo
dataset. Gli unici tracciati estratti dai file sono stati l’ECG e l’ipnogramma.
Sono stati successivamente creati i tracciati RR mediante un algoritmo di Pan-Tompkins
[12] a soglia fissa. È stato necessario impostare manualmente la soglia per ogni paziente
visualizzando ogni tracciato per minimizzare il rischio di una cattiva detezione dei picchi.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 8
Al termine dell’estrazione è stato sovrapposto in coincidenza l’ipnogramma e rimossi gli
outlier degli RR.
Da questo punto in poi il lavoro si è sviluppato parallelamente seguendo due approcci con
l’obiettivo univocodi ottenere 8 descrittori spettrali da passare al classificatore per
identificare le diverse fasi del sonno.
Il primo approccio, più classico, ha previsto l’utilizzo di un modello parametrico auto
regressivo tempo variante per il calcolo dei coefficienti calcolati su ogni singolo campione
del tracciato RR da utilizzare successivamente per il calcolo dello spettro. È stato
migliorato l’algoritmo già esistente TVAM di ordine 9 in modo tale da poter arrestare ad
ogni momento il processamento del segnale:è così possibile intervenire su qualsiasi
campione per effettuare delle correzioni sui parametri in uscita (che saranno parametri
d’ingresso per il campione successivo) . Questa variazione inoltre permette di simulare una
situazione di acquisizione in real-time sul paziente per cui non è necessario aver concluso
l’acquisizione prima di far partire l’elaborazione. La modifica apportata all’algoritmo
consente così di intervenire sulle instabilità dei poli generate dal modello AR. Il TVAM
fornisce infatti ad ogni iterata nove coefficienti che possono essere rappresentati in modulo
e fase sul piano Z e, a seconda di dove si posizionano rispetto al Cerchio Unitario, possono
generare instabilità del modello. Con la modifica di TVAM è possibile correggere le
instabilità riducendo la distanza rispetto all’origine del doppio della distanza del polo
rispetto al Cerchio Unitario. La correzione effettuata sul singolocampione influenzerà
anche il calcolo dei parametri sui campioni successivi essendo il modello autoregressivo.
Una volta ottenuti i coefficienti del modello su ogni campione, questi vengono mediati su
epoche di 30 secondi di durata e passati alla funzione di estrazione delle features spettrali.
Con il secondo approccio si ottengono delle features spettrali calcolate su un segmento di
tracciato di lunghezza variabile. I coefficienti del modello AR sul segmento sono ottenuti
utilizzando un algoritmo che trova il miglior ordine di rappresentazione del segnale.
Per generare gli spezzoni a lunghezza variabile del segnale è stato ripreso un lavoro sulla
segmentazione adattativa di un tracciato EEG elaborato da Bodenstein nel 1977. [21] Il
criterio si basa sul calcolo ricorsivo di un indice di misura dell’errore spettrale (SEM) da
rapportare ad una soglia adattativa (threshold 1): la lunghezza delle finestra è definita fino
al campione in cui il valore SEM oltrepassa la threshold 1. Impostando i parametri interni
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 9
dell’algoritmo secondo due criteri si sono creati due dataset, rispettivamente con lunghezza
di finestra minima pari a 90 campioni e 150.
A partire dagli stessi tracciati sono stati quindi generati 3 set di dati che contengono le
features spettrali e il rispettivo stage dell’ipnogramma che verranno utilizzati dal
classificatore per capire quale metodo tra la finestratura o la segmentazione consenta una
migliore discriminazione tra stadi. Le features spettrali estratte sono state: VLF%, LF%
HF%, HFn, LFn, LF/HF, HFPoleModule, Total Power.
Per la classificazione sono state utilizzate le tecniche di discriminante lineare e le reti
neurali. Si è primastudiato quale set di features avesse le migliori performance per poi
classificare gli stadi in 4 diverse configurazioni del training/test set.Prima di eseguire ogni
classificazione il dataset è stato bilanciato nel numero di stage e randomizzato. È stato poi
sviluppato un terzo algoritmo di classificazione a cascata che rimuovesse dal test set, per
ogni ciclo di classificazione, i riconoscimenti considerati positivi.
Per ogni algoritmo di classificazione sono stati ricavati i parametri di Precision, Recall,
Accuracy e Cohen’s kappa da cui è stato possibile calcolare media e deviazione standard di
ogni indicatore a seconda di diversi accoppiamenti tra stage.
Risultati
Dai risultati ottenuti si possono trarre delle conclusioni su quale sia il miglior set di
features da utilizzare, quale sia la configurazione che meglio permette di discriminare
alcuni stadi e se l’algoritmo di segmentazione può essere considerato una valida alternativa
alla finestratura.
Sono state verificate le perfomance utilizzando tutte le permutazioni possibili tra features
(ad eccezione della Total Power) e si è capito che la miglior scelta è quella di passare
l’intero set di features al classificatore.
Le configurazioni del training/test set sono basate sull’accorpamento in classi di tutti i
campioni di determinati stage. Utilizzando 4 classi separatamente i risultati sono stati
scarsi ad eccezione del riconoscimento dello stage 3: il più alto valore di Precision è
ottenuto con le reti neurali applicata al dataset ottenuto con finestratura (PPVNET30(3) =
0.7036 ± 0.0247).
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 10
Le migliori perfomance di classificazione sono quelle relative alla discriminazione dello
stage 3 rispetto a tutti gli altri (stage 3 Vs [1,2,5]) ottenuto con le reti neurali sulla
finestratura a 30 secondi (Tabella 1). In questo caso PPVNET30(3) = 0.7952 ± 0.0254,
NPVNET30(3) = 0.7401 ± 0.0142, KNET30(3) = 0.5158 ± 0.031. Anche per il dataset con la
segmentazione a 150 campioni i risultati sono molto buoni.
Tabella 1: Risultati classificazione Stage 3 Vs [Stage 1; Stage 2; Stage5]
feat30
LD
Class 3 [1,2,5]
Precision 0,7372 ± 0,0103 0,6646 ± 0,0063
Recall 0,6873 ± 0,0052 0,7167 ± 0,0084
Kappa 0,4018± 0,0125
Accuracy 0,7009 ± 0,0062
N NET
Class 3 [1,2,5]
Precision 0,7952 ± 0,0254 0,7206 ± 0,0187
Recall 0,7401± 0,0142 0,7791 ± 0,0219
Kappa 0,5158± 0,031
Accuracy 0,7579 ± 0,0155
È stato generato un terzo algoritmo di classificazione a stadi con il quale sfruttare le
performance delle precedenti classificazioni. In questo caso si ottiene una buona
classificazione su tutti gli stage ad accezione del quinto. (Tabella 2)
Tabella 2: Risultati classificazione a stadi
Classificatore a stadi n°1
Stage 1 Stage 2 Stage 3 Stage 5
Precision 0,6421 ± 0,0214 0,6512 ± 0,0481 0,6840 ± 0,0224 0,3119 ± 0,0051
Recall 0,2387 ± 0,0390 0,0552 ± 0,0160 0,4646 ± 0,0415 0,8943 ± 0,0189
Kappa 0,2166 ± 0,0126
Accuracy 0,4152 ± 0,0094
Classificatore a stadi n°2
Precision 0,604 ± 0,0260 0,6448 ± 0,0497 0,6840 ± 0,0224 0,3135 ± 0,0057
Recall 0,2944 ± 0,0323 0,604 ± 0,0155 0,4646 ± 0,0415 0,889 ± 0,0164
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 11
Kappa 0,2213 ± 0,0159
Accuracy 0,4159 ± 0,0119
Classificatore a stadi n°3
Precision 0,6374 ± 0,0319 0,2874 ± 0,0064 0,6840 ± 0,0224 0,5869 ± 0,0334
Recall 0,2505 ± 0,0250 0,7631 ± 0,0177 0,4646 ± 0,0415 0,1587 ± 0,0292
Kappa 0,2123 ± 0,0132
Accuracy 0,4092 ± 0,009
I valori del Cohen’s Kappa variano a seconda delle tecniche e dei database ma con
variazioni talmente ridotte da non poter considerare più vantaggioso un metodo rispetto ad
un altro basandosi su questo parametro.
I risultati ottenuti con le reti neurali sono migliori rispetto a quelli ottenuti con
discriminante lineare; questo sta ad indicare che esistono delle relazioni di non linearità tra
i campioni che il discriminante lineare non è in grado di cogliere.
Conclusioni
Dai risultati ottenuti si può concludere che la tecnica di segmentazione non ha mostrato
delle performance significativamente migliori rispetto alla finestratura ma si è dimostrato
che può essere una strada percorribile per classificare il sonno. Tutti gli indicatori
selezionati infatti hanno valori piuttosto simili in tutte e tre le tecniche. Si potrebbe
migliorare la tecnica di segmentazione provando ad aggiustare i parametri interni
dell’algoritmo come il valore di N (lunghezza media delle epoche consecutive) o il
parametro di arresto dei cicli per la ricerca della threshold 1 ottima. In alternativa si
potrebbe pensare di trovare un criterio di segmentazione del segnale diverso dal SEM.
Il fatto che le reti neurali mostrino risultati migliori fa capire che sono presenti delle
dinamiche non lineari tra i campioni; per questo motivo si pensa che si possa continuare ad
usare le reti neurali come classificatore ed eventualmente pensare ad un uso delle support
vector machines.
Si potranno inoltre utilizzare gli algoritmi di classificazione creati combinandoli tra loro
dal momento che ognuno ha performance buone ma sotto aspetti diversi.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 12
2. Abstract
Objectives
Sleep plays an important role in every man’s life and can influence significantly its health
state. A good nighttime rest increases individuals performances such as a good attention
level, good memorization capacity and enhanced learning ability.[26] On the contrary a
lack of rest (which could be caused by many factors such as sleep apnoea, roncopathy,
restless legs syndrome, stress) can be a cause of psicophysical disorders that may affect the
quality of life. [3]
Nowadays sleep can be monitored and its alterations studied by doing a Polysomnographic
exam that includes the simultaneous acquisition of different signals (ECG, EOG, EEG)
from the patient in specialized centre. By the end of the data acquisition a doctor must be
able to recognize the different sleep phases: the sleeping period of the patient is divided
into 30 seconds periods by the doctor and each epoch is then tagged with a stage. Stages
that can be assigned are: WAKE, REM and NON-REM (recently the number of NREM
stage has been decreased to 3[23]). [10]
The Polysomnographic exam requires the patient to spend the entire night in the equipped
centre with a resulting possible distortion of its psychological state that may influence the
outcome of the acquired data analysis. Therefore the ideal scenario consists in acquiring
data directly from patients in their own bed, in the house environment, during a regular
night of rest.
There are several studies on developing wearable technology or sensorized beds and on
developing methods for automated sleep acquisition and classification. The main aim of
these is to create algorithms that allow to automatically detect the sleep stages without the
need of a specialized technician in order to reduce costs.[27]
In order to predict the sleep phases a spectrum is generated considering 30 seconds fixed-
length windows. The length of the epoch on which spectral descriptors are calculated is
fixed because of standard conformation but this technique ignores the real dynamics of
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 13
sleep. A single stage of sleep can be maintained for a period longer or shorter than 30
seconds or for a duration which cannot be a multiple of the 30 seconds duration.
The aim of this thesis is to improve some of the sleep staging techniques starting from an
ECG signal. In particular this study focuses on enhancing the classification obtained from a
fixed-length window and implementing a new technique of adaptive segmentation of an
RR signal.
Materials and methods
Publicly available data were downloaded from Physionet platform
(http://www.physionet.org). In particular the signals used in this work belong to the CAP
Sleep Database [23] [24], University College Dublin Sleep Apnea Database [25], MIT-
BIH Polysomnographic Database[5] libraries. [23]
ECG signals were selected only from healthy patients and converted in .mat file format for
creating a unique dataset of 47 subjects. Data analysis was performed exclusively with the
software Matlab® 2014a.
The first part of the project focuses on the pre-processing of the signals to convert them
into .mat format and unify them in one unique dataset. The only signals extracted are ECG
and hypnogram. Than the RR signals is created using the Pan-Tompkins algorithm with a
fixed threshold.[12] It was necessary to manually set the threshold for each subject by
observing each signal in order to minimize the risk of inadequate peak detection. After the
extraction the hypnogram is superimposed in correspondence and the outliers are removed.
From this starting point two different approaches are followed with the common aim of
creating 8 spectral descriptors from which the classifier can be able to recognize the
different sleep phases.
The first approach, more classical, uses a parametric autoregressive time-variant model for
the computation of the coefficients calculated on each RR sample. These will be used for
the spectrum calculation. The TVAM algorithm of order 9 was improved to allow the
arrest of the signal processing in every moment. In this way it is possible to intervene on
any sample for making correction on the output parameters (which will be the input
parameters for the next sample). This change enables moreover to simulate a situation of
real-time acquisition on the patient: it’s not necessary that the acquisition ends before
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 14
proceeding to the processing stage. The modification allows also to intervene on instability
of poles generated from the AR model.
TVAM creates nine coefficients for each iteration. These can be represented in phase and
module on the Z plane and compared whit the unit circle depending on their position. Their
position, if out from the unit circle, can represent model instability.
With the modification of the TVAM is now possible to correct the instability by reducing
the distance from the origin with the double distance from the pole to the unit circle. This
will influence the computation of the parameters on the next loop because of the
autoregressive nature of the model.
When the coefficients of all the samples are obtained, these are averaged in 30 seconds
length epochs and passed to the function for spectral features emission.
With the second approach is possible to obtain features calculated on a variable-length
signal segment. The segment coefficients of the AR model are obtained by using an
algorithm that finds the best representation order of the signal. For generation of the
algorithm to create variable-length segments we refer to a published work made by
Bodenstein in 1977. [21] The criterion of the algorithm is to recursively calculate an index
of spectral error measurement (SEM) and compare it to an adaptive threshold (threshold 1).
The length of the window is defined until a sample’s SEM value overflows the threshold 1.
Arranging the internal parameters of the algorithm by following two criteria, 2 datasets are
created respectively with a minimal window length of 90 samples and 150 samples.
Three datasets of spectral features with the respective hypnogram (generated with 3
methods, but starting from the same signals) are now available. These are going to be used
by the classifier for understand what is the best method to choose between fixed-length
window and segmentation. The spectral features set is composed of 8 descriptors: VLF%,
LF%, HF%, HFn, LFn, LF/HF, HFPoleModule, Total Power.
Before using the classification the dataset is balanced and randomized. Discriminant
analysis and Feed Forward Neural Network were then used.
The first step is to observe which features could perform best and then a classification in 4
different configuration of training/test set is produced. Than another algorithm is generated
which removes from test set, at every classification loop, the positive data.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 15
For every loop of classification 4 indexes are chosen: Precision, Recall, Accuracy, Cohen’s
Kappa from which it is possible to calculate the average and the standard deviation of each
index and of each configuration.
Results
According to the obtained results is now possible to find which is the best set of features,
which configuration best allows stages discrimination and understand if the segmentation
algorithm could be a suitable alternative to the fixed-length window technique.
Classification performances were tested by using all possible permutations between all the
features (expect for Total Power), so the best choice is to pass the entire set of features to
the classifier.
Configuration of training/test set is made by unified class of sample in accordance to their
stage index.
Results by using 4 separated classes were weak except for stage 3: the highest value of
Precision was obtained with neural network on the fixed-window-length dataset
(PPVNET30(3) = 0.7036 ± 0.0247).
The best classification performances were obtained with the discrimination on stage 3
against stages 1,2 and 5 (stage 3 Vs [1,2,5]) using neural network with the fixed-length-
window dataset (Tabella 3). In this case PPVNET30(3) = 0.7952 ± 0.0254, NPVNET30(3) =
0.7401 ± 0.0142, KNET30(3) = 0.5158 ± 0.031. Even with the 150-segmentation dataset the
resulting data were good.
Tabella 3: Results classification of Stage 3 Vs [Stage 1; Stage 2; Stage5]
feat30
LD
Class 3 [1,2,5]
Precision 0,7372 ± 0,0103 0,6646 ± 0,0063
Recall 0,6873 ± 0,0052 0,7167 ± 0,0084
Kappa 0,4018± 0,0125
Accuracy 0,7009 ± 0,0062
N NET
Class 3 [1,2,5]
Precision 0,7952 ± 0,0254 0,7206 ± 0,0187
Recall 0,7401± 0,0142 0,7791 ± 0,0219
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 16
Kappa 0,5158± 0,031
Accuracy 0,7579 ± 0,0155
By creating a third algorithm of classification made by level, good results were obtained
except for stage 5. (Tabella 4)
Tabella 4: Results of level classification
Classificatore a stadi n°1
Stage 1 Stage 2 Stage 3 Stage 5
Precision 0,6421 ± 0,0214 0,6512 ± 0,0481 0,6840 ± 0,0224 0,3119 ± 0,0051
Recall 0,2387 ± 0,0390 0,0552 ± 0,0160 0,4646 ± 0,0415 0,8943 ± 0,0189
Kappa 0,2166 ± 0,0126
Accuracy 0,4152 ± 0,0094
Classificatore a stadi n°2
Precision 0,604 ± 0,0260 0,6448 ± 0,0497 0,6840 ± 0,0224 0,3135 ± 0,0057
Recall 0,2944 ± 0,0323 0,604 ± 0,0155 0,4646 ± 0,0415 0,889 ± 0,0164
Kappa 0,2213 ± 0,0159
Accuracy 0,4159 ± 0,0119
Classificatore a stadi n°3
Precision 0,6374 ± 0,0319 0,2874 ± 0,0064 0,6840 ± 0,0224 0,5869 ± 0,0334
Recall 0,2505 ± 0,0250 0,7631 ± 0,0177 0,4646 ± 0,0415 0,1587 ± 0,0292
Kappa 0,2123 ± 0,0132
Accuracy 0,4092 ± 0,009
Cohen’s Kappa values showed little variations between the techniques and the database
used. Nevertheless the values are close to each other so it was not possible to find the most
useful method only using this index.
Results obtained with neural network were better than data obtained with discriminant
analysis which means data have non-linearity that discriminant analysis can’t find.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 17
Conclusion
With the obtained results is possible to observe that the segmentation algorithm does not
perform better that the fixed-length-window algorithm but it is now clear that the
segmentation could be used for sleep staging since it has all the values similar to that
values obtained with fixed-length-window.
The segmentation algorithm could be improved trying to set different parameters; for
example the value of N (average length of similar consecutive epochs ) could be changed
or the parameter for interrupting the loop of the optimum threshold 1 finding. Alternatively
it should be created a new method of segmentation based on an index different to SEM.
Neural network shows best results, this means there are non-linear dynamics between
sample; it will be useful to use this classifier also with the use of support vector machines.
A combination of all the classification algorithm could be used taking advantage from the
good performance of each algorithm.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 18
3. Introduzione
In media la vita di ogni essere umano è trascorsa per un terzo del tempo dormendo. Con il
termine sonno si intende un periodo di durata non necessariamente costante durante la
quale l’uomo interrompe il rapporto con il mondo esterno e durante il quale si registra una
sospensione dell’attività motoria complessa e di quella psichica superiore (coscienza e
volontà). È però sbagliato considerare il sonno come un periodo di completa passività del
corpo; al contrario viene considerato come un processo attivo che può venire caratterizzato
attraverso l’analisi di diversi segnali posti al controllo del sistema nervoso centrale. [1]
Durante il sonno i movimenti del corpo sono molto ridotti ma l’attività interna
dell’organismo si mantiene a livelli elevati e sono ancora molti gli aspetti sconosciuti
relativi a questa fase della giornata. Lo studio dell’attività cerebrale e di tutti quegli organi
coinvolti durante le ore di sonno sta rappresentando una sfida sempre più interessante per
poter comprendere le dinamiche coinvolte durante il riposo notturno. [2]
In questo senso è stata proposta una “teoria del sonno attivo” che conferma la centralità
che possiedono alcuni organi che caratterizzano il sonno.
Il sonno è un elemento fondamentale nella vita di ogni uomo: ne influenza i comportamenti
e la qualità della vita in generale; la sonnolenza e la fatica giocano un ruolo importante su
ogni uomo nella sua capacità di non commettere errori. Alcuni studi hanno stimato la
percentuale di infortuni e morti causati da sonnolenza evidenziando quanto un cattivo
livello di riposo possa compromettere il livello di attenzione minima in un uomo e indurlo
a sbagliare [3] [26] [28].
La fase di riposo ha subito radicali modifiche con l’evoluzione dell’uomo: si pensi al ruolo
che ha avuto l’illuminazione artificiale e l’inquinamento visivo nel condizionare stili e
abitudini di ogni individuo in relazione al suo ritmo veglia/sonno. [4]. Ormai al concetto di
tempo viene sempre più associata la parola produttività e profitto; al contrario il sonno
viene inteso come un periodo sulla giornata da ridurre il più possibile per dar spazio alle
proprie attività. Anche le esigenze sociali moderne, la crescita della rete di comunicazione
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 19
(internet, programmi televisivi su tutte e 24 ore) hanno molto influenzato i cambiamenti
delle abitudini dell’uomo; si stima per esempio che nell’ultimo secolo la durata media delle
ore di sonno della popolazione cinese si sia ridotta di un’ora. [5]
In parallelo a queste abitudini stanno accrescendo le campagne di sensibilizzazione sui
rischi di lavorare o guidare assonnati: si cerca di prevenire quegli incidenti dovuti
all’eccessivo affaticamento. [6]
Dal momento che il comportamento di ognuno è influenzato da alcuni fattori esterni come
il lavoro, la vita sociale, i doveri familiari e altri impegni, segue il fatto che le ore di riposo
che un uomo riesce ad ottenere possano non necessariamente essere quelle di cui ha
bisogno.
Dal punto di vista scientifico sono stati studiati gli effetti della Partial Sleep Deprivation ed
è stato accertato che una quantità di sonno inferiore o superiore al bisogno fisiologico di
ogni individuo può causare disturbi alla psiche e al fisico penalizzandone la qualità della
vita.
Stress, irascibilità, instabilità emotiva, sonnolenza e stanchezza sono solo alcuni esempi di
sintomi di scarsa qualità del sonno. In alcuni studi è stato dimostrato come da un cattivo
riposo possano essere generati stati di ipertensione, difficoltà nella concentrazione,
irritabilità che può sfociare in episodi psicotici. [7][8]
Si è cercato di capire quali siano i fattori che caratterizzano un buon riposo e quali siano gli
indicatori da utilizzare per capire le variazioni interne dell’organismo. A questo proposito
l’esame classico che si svolge è la polisonnografia. (Figura 1)
Questo esame comprende l’acquisizione di diversi segnali tra cui elettroencefalogramma
(EEG), elettrocardiogramma (ECG), elettrooculograma (EOG), elettromiogramma (EMG),
pletismografia, esame di saturazione dell’ossiemoglobina.
I tracciati sono ottenuti simultaneamente dal paziente e trasmessi ad un tecnico esperto che,
partendo dai segnali ottenuti, identifica per epoche di 30 secondi, in quale fase (o stage) del
sonno il paziente si trovava. È così possibile ottenere l’ipnogramma dal quale poter trarre
delle conclusioni sulla variazione durante la notte tra le diverse fasi e diagnosticare il
disturbo del sonno che il paziente presenta.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 20
Figura 1: Esecuzione di un esame polisonnografico [29]
L’acquisizione di questi parametri richiede che il paziente si rechi presso una struttura
specializzata dotata delle attrezzature necessarie allo svolgimento dell’esame. Il solo fatto
che il paziente non dorma nel proprio letto di casa ma in un letto d’ospedale può alterare le
sue condizioni psicofisiche e la veridicità dell’acquisizione. Durante le ore precedenti alla
notte devono essere applicati al paziente gli elettrodi sul corpo per prepararlo all’esame:
questa procedura può indurre nel soggetto una situazione di stress che potrebbe alterare i
risultati dell’esame.
La manutenzione degli spazi e delle attrezzature dei centri del sonno comportano dei costi
elevati che si vanno a sommare ai costi per la formazione e la retribuzione del personale.
Per questi motivi si è imposta la necessità di progettare dei dispositivi poco invasivi e ad
alta affidabilità che possano acquisire i segnali direttamente a casa del paziente. Si sono
inoltre cercate delle tecniche che consentano di sostituire anche il ruolo del clinico nel
riconoscimento degli stadi. [9]
Sono allo studio per esempio delle tecnologie wearable che permettano l’acquisizione del
segnale ECG durante la notte facendo indossare al paziente una maglietta sensorizzata o
dei materassi (Figura 2) costituiti da una matrice di elettrodi da posizionare all’interno del
proprio materasso di casa; queste strumentazioni garantiscono minima invasività e
permettono l’acquisizione dei segnali direttamente dal letto di casa del paziente. Anche dal
punto di vista economico garantiscono un forte abbassamento dei costi di esecuzione di
questi esami.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 21
Figura 2: Esempio di materasso sensorizzato
Parallelamente allo sviluppo della parte hardware sono allo studio delle tecnologie a livello
software che consentano di generare automaticamente l’ipnogramma senza il supporto di
un tecnico.
Questo progetto di tesi si inserisce proprio nello sviluppo di tecnologie software per il
riconoscimento degli stadi del sonno.
Nella prima parte si faranno dei richiami alla ricerca bibliografica effettuata per
comprendere il problema e cercare delle soluzioni innovative per migliorare il
riconoscimento delle fasi; nella seconda parte della tesi verranno esposte le tecniche
utilizzate per implementare l’idea di partenza motivandone i passaggi. In ultimo verranno
esposti i risultati ottenuti con un commento sull’utilità del lavoro condotto.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 22
4. Stato dell’arte
Il monitoraggio e lo studio dello stato del sonno di un soggetto si effettua comunemente
utilizzando la polisonnografia (PSG). La PSG permette di acquisire diversi segnali elettrici,
quali l’elettroencefalogramma (EEG), l’elettrooculogramma (EOG), l’elettrocardiogramma
(ECG) e l’elettromiogramma (EMG), in combinazione con altre misure respiratorie, quali
il flusso oro-nasale, la saturazione di ossigeno ed i movimenti toraco-addominali durante le
ore notturne. Il riconoscimento delle varie fasi del sonno sono effettuate da un tecnico
esperto sulla base dei tracciati ottenuti; alla fine dell’osservazione dei tracciati l’esperto
riesce ad identificare per epoche della durata di 30 secondi le corrispondenti fasi del sonno
e a generare così un ipnogramma. [27] L’ipnogramma è un tracciato ottenuto al termine
dell’analisi polisonnografica con il quale identificare il corrispondente stage in cui si trova
il soggetto: sull’asse delle ascisse è rappresentato il tempo mentre sulle ordinate il
corrispettivo stage (Figura 3).
Lo standard di stadiazione del sonno prevedeva in passato che si identificassero 6 diverse
fasi. Questo standard è stato definito da Rechtscahffen e Kales e prevede che il sonno sia
suddivisibile in: REM, NREM che può essere a sua volta suddiviso in 4 stadi (NREM 1, 2,
3, 4) e WAKE. [10]
Figura 3: Ipnogramma [30]
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 23
Questa convenzione è stata ultimamente superata accorpando i due stadi del NREM 3 e 4
in un unico stadio: NREM 3. [23]
L’esecuzione dell’esame polisonnografico prevede l’acquisizione di diversi segnali tra cui
ECG, EEG, EMG, EOG e richiede che il paziente si rechi presso una struttura ospedaliera
o un centro specializzato per poter effettuare l’esame. Questo può generare nel paziente
un’alterazione del suo stato psicofisico: si pensi per esempio allo stress che può indurre la
procedura di posizionamento degli elettrodi sul corpo in preparazione dell’esame o il fatto
che il paziente non possa passare la notte a casa propria ma in un letto di ospedale. Si
pensa dunque che queste condizioni alterino le caratteristiche del sonno del paziente nella
notte in cui viene svolto l’esame fornendo dei risultati che possono non rispecchiare le sue
vere condizioni.
Per far fronte a questo problema negli ultimi anni si stanno cercando delle tecnologie a
livello sia hardware che software per ridurre l’ingombro di strumentazione per provare ad
acquisire i segnali direttamente nella casa del paziente.
Dal punto di vista hardware sono state realizzate delle magliette sensorizzate che il
paziente può indossare durante la notte per l’ottenimento del segnale ECG o in alternativa
dei materassi sensorizzati da posizionare all’interno del letto in grado di acquisire il
segnale cardiaco con elevata precisione. [12]
Un segnale che questi dispositivi sono in grado di acquisire (oltre ad un segnale di
movimento o di respiro) è l’ECG. È stato dimostrato in studi precedenti come il sistema
cardiaco possa riflettere lo stato di attività del sistema nervoso autonomo. In questo senso
sarà possibile, a partire da un tracciato ECG, riuscire a classificare con un buon grado di
accuratezza l’evoluzione del sonno durante le ore notturne con l’identificazione di una fase
per ogni epoca sulla base del segnale ottenuto. [13]
Dal punto di vista software si è cercato di implementare delle funzioni che potessero
sostituire il ruolo del clinico nel riconoscimento delle varie fasi del sonno. Queste tecniche
cercano di basarsi sul minor numero di tipologie di segnali acquisiti così da poter ridurre
l’invasività dell’esame a cui sottoporre il paziente oltre che provare a contenere i costi.
Questa tecnica è molto vantaggiosa in termini di costi e di fattibilità: non richiede una
strumentazione ingombrante e costosa come lo sarebbe quello di una struttura ospedaliera
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 24
né la necessità di personale qualificato che effettui il riconoscimento visivo delle fasi del
sonno sulla base dei tracciati ottenuti.
Questo lavoro di tesi si inserisce nel tentativo di affinare il riconoscimento in automatico
delle fasi del sonno.
Sono stati condotti diversi studi sinora che mettono in evidenzia come sia possibile a
partire da un segnale ECG riuscire a identificare le diverse fasi del sonno.
In letteratura è possibile trovare diversi articoli che si occupano della stadiazione del
sonno. Ogni articolo tenta di proporre dei metodi che vadano a migliorare il
riconoscimento delle fasi utilizzando le tecniche più disparate di elaborazione dei segnali.
Ciò che emerge dallo studio in letteratura è che il miglior metodo per estrarre informazione
da un tracciato ECG sia quello di eseguire un’analisi spettrale su un tracciato battito-battito
così da ottenere una distribuzione di potenza spettrale per ogni battito (PSD); dividendo lo
spettro in diverse bande e osservando le variazioni che lo spettro all’interno delle bande
assume durante il sonno è possibile, con un certo grado di approssimazione, riuscire a
ricostruire l’ipnogramma. In Figura 4 sono rappresentati dei confronti tra rappresentazioni
spettrali di diverse fasi del sonno. Nel primo riquadro sono rappresentati il sonno REM
contro NREM 4, nel secondo spettro sono messi a confronto REM e WAKE. Con L’ultimo
spettro si notano le variazioni di distribuzione tra WAKE e NREM 4. [14]
Figura 4: Variazione della PSD tra REM, NREM, AWAKE
Gangemi et al. hanno condotto un lavoro andando ad indagare le variazioni che alcuni
parametri spettrali possono assumere a seconda delle diverse fasi del sonno. [15]
Lo spettro è suddiviso in 3 bande di potenza e viene osservata come la distribuzione di
potenza varia al loro interno. Le bande in questione sono:
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 25
- banda VLF (0.001 – 0.04 Hz): è la banda detta di Very Low Frequency in cui entrano le
fluttuazioni lente della frequenza cardiaca riconducibili a meccanismi di
termoregolazione.
- banda LF (0.04 – 0.2 Hz): è la banda di Low Frequency le cui variazioni sono da
imputare all’azione simpatica.
- banda HF (0.2 – 0.4 Hz): detta banda di High Frequency che è caratteristica della
modulazione del sistema parasimpatico. [13]
Figura 5: Esempio di PSD nelle diverse componenti spettrali
A partire da questa suddivisione in banda è possibile estrarre altri parametri spettrali utili
alla classificazione, per esempio:
- LFn =LF/(TP-VLF);
- HFn=HF/(TP-VLF);
- Total Power;
o parametri temporali come media, varianza, RMSSD.
L’assegnazione di task specifici all’interno delle bande è ancora dibattuta per cui non è del
tutto corretto affermare che ad un’unica banda corrisponda solo la modulazione data dal
sistema parasimpatico o simpatico.
Quel che è certo però è che a seconda della condizione fisiologica in cui si trova il paziente
si possano osservare delle variazioni del contenuto informativo dello spettro ottenuto e
delle variazioni in ampiezza dei picchi corrispondenti alle bande sopracitate.
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.50
0.005
0.01
0.015
0.02
0.025
Frequenza
PS
D
Spettro soggetto 3
Tp
VLF
LF
HF
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 26
Osservando il contenuto in potenza che la PSD può assumere nelle rispettive bande si
possono avanzare delle ipotesi sulla fase del sonno in cui si trova il paziente. In particolare
in questo lavoro si è potuto osservare una progressiva diminuzione nel rapporto LF/HF
passando dallo Stage 1 allo Stage 4 mentre nel passaggio dallo Stage 3 allo Stage 4 si è
registrato un incremento della componente HF.
Solitamente lo spettro contiene un picco centrato sulla frequenza respiratoria in
corrispondenza della banda HF e un secondo picco compreso all’interno della banda LF
che contiene informazioni relative all’attivazione simpatica. Il fatto di aver imposto degli
intervalli di banda fissi può generare degli errori nella discriminazione dei contributi oltre a
trascurare la variabilità che si può avere tra soggetti e tra diverse condizioni fisio-
psicologiche di un unico paziente. Non esiste una distribuzione PSD che sia univoca per
assegnare ad un dato istante una determinata fase del sonno. Oltre a questo si pensi al fatto
che un picco in una banda genera delle code a destra e sinistra che vanno a sovrapporsi al
contenuto in potenza delle altre bande così da interferire (sovrapponendosi) con il loro
contenuto informativo. Condurre un’analisi spettrale statica può generare effetti di
misclassificazione dal momento che non si tiene conto della biodiversità tra soggetti e dalla
variabilità che un unico soggetto può presentare a seconda delle diverse condizioni in cui si
trova o anche lungo le ore di sonno.
Si è tentato di ovviare a questo problema con il lavoro di Xi Long et al [16]. Per condurre
questo studio sono stati elaborati segnali afferenti a 15 soggetti sani (5 maschi e 10
femmine ) di età media di 31 anni acquisiti presso lo SleepHealth Center di Boston (9
soggetti)e presso il Philips Experience Lab di Eindhoven (6 soggetti).
Questo studio ha imposto delle larghezze di banda tempo varianti a seconda della
posizione che il picco assume lungo l’asse delle frequenze.
La posizione dei picchi infatti non è costante e può variare nel tempo in accordo con la
modulazione del battito cardiaco pertanto l’aver impostato delle bande ad ampiezza
predefinita può peggiorare le perfomance nella discriminazione del contenuto informativo
della curva in questione (la classificazione dello stage del soggetto viene condotta sulla
base delle caratteristiche spettrali estratte; una cattiva estrazione delle caratteristiche altera
la purezza dei descrittori). Per poter migliorare questo aspetto è stato proposto un metodo
adattativo di estrazione delle caratteristiche spettrali. Questo metodo si basa sull’analisi
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 27
tempo frequenza dell’HRV sviluppato in altre aree di studio come ad esempio la
rilevazione del livello di stress o il monitoraggio dell’anestesia.
I due picchi nelle bande LF e HF sono localizzati calcolando il massimo locale nelle bande
di interesse, si centra la banda in modo tale che il massimo in questione si trovi a metà
della banda cosi da compensare il comportamento tempo variante. Cosi facendo si
andrebbero a ridurre le differenza tra spettri di diversi soggetti migliorandone la
classificazione.
Attraverso un’analisi tempo-frequenza i limiti che definiscono ogni banda possono essere
dinamicamente variabili; si riesce così ad assegnare un valore di frequenza più accurato in
corrispondenza della banda in questione. L’adattamento dei limiti delle bande è stato
eseguito prendendo come riferimento i picchi delle componenti LF e HF. Una volta
eseguita queste correzioni si sono estratte le caratteristiche spettrali
Nella classificazione è stato dimostrato che il discriminante lineare può essere un
classificatore appropriato per la discriminazione SLEEP e WAKE. [17]
Il metodo di classificazione binaria non si è dimostrato adeguato. Questo perché il numero
di epoche di una classe (WAKE) durante una notte sarà più basso rispetto al numero di
epoche di un’altra classe (SLEEP). Per migliorare la classificazione sono state aggiunte
delle ulteriori caratteristiche (non spettrali) relative all’HRV ottenute in studi precedenti
come ad esempio le caratteristiche nel dominio del tempo, misure non lineari estratte con
la DFA o la Sample Entrophy. È stata eseguita una validazione di tipe leave-one-out.
Dai risultati ottenuti relativi nel caso di utilizzo di bande adattative e nella classificazione
delle epoche si è potuto riscontrare quanto la capacità di riconoscimento delle fasi sia stata
migliorata soprattutto combinando le caratteristiche spettrali con quelle non spettrali.
Il metodo che si è dimostrato essere il più affidabile per l’analisi delle fasi del sonno è
quello di analisi spettrale per la generazione di alcuni descrittori spettrali che possono
caratterizzare ogni stage del sonno; l’analisi spettrale fornisce delle informazioni che la
sola analisi temporale non è in grado di dare.
Il modello che sembra meglio adattarsi alle caratteristiche dinamiche del segnale
elettrocardiografico per poter eseguire l’analisi spettrale è il modello parametrico auto
regressivo che riesce a stimare in modo adeguato l’andamento del tracciato battito-battito.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 28
In particolare è stata verificata l’opportunità di utilizzare un modello auto regressivo
tempo-variante in diversi studi tra cui si cita quello di Mendez at [18] che focalizza
l’attenzione anche sulla posizione che assumono i poli del modello auto regressivo nel
cerchio unitario: a seconda di dove i poli si collocano è possibile far corrispondere una
determinata fase del sonno. (Figura 6)
Questo lavoro parte dalla necessità di voler analizzare il segnale HRV e le informazioni
che può fornire in condizioni di non stazionarietà. Il segnale HRV può essere non-
stazionario se vengono fatti eseguire al soggetto delle azioni che portino a dei cambiamenti
transitori come per esempio il tilt-test. Per poter far fronte alle non stazionarietà si può
elaborare il segnale con diverse tecniche come per esempio la Short Time Fourier
Transform, l’analisi con wavelet, una analisi tempo-variante o un’analisi tempo-frequenza.
Con l’uso di un modello auto regressivo tempo variante è possibile ottenere i parametri
spettrali puntuali calcolati sul singolo battito attraverso un metodo rapido e indipendente da
alcuni eventi transitori trovati durante la notte di acquisizione del segnale (provocati per
esempio dai movimenti, dalle apnee o dal cambio di stage durante il sonno).
Il lavoro di Mendez et al cerca dunque di fornire alcuni parametri spettrali che sono stati
ottenuti con l’utilizzo di un modello tempo variante per poter rappresentare le
caratteristiche delle varie fasi del sonno. Il lavoro si è concentrato principalmente
sull’evoluzione temporale di LF e HF, la potenza spettrale, e il comportamento del modulo
e della fase dei poli rappresentativi del modello autoregressivo nella banda HF durante gli
stage di REM e NREM.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 29
Figura 6: Posizionamento dei poli sul CU a seconda dello stage
Il protocollo sperimentale ha previsto l’utilizzo di 3 PSG ottenute durante l’intera notte da
soggetti sani con età compresa tra i 40 e i 50 anni. Dagli ECG acquisiti è stato possibile
ottenere il tracciato RR dal quale poter estrarre i parametri spettrali con l’utilizzo di un
modello auto regressivo tempo variante di ordine 8. Il coefficiente d’oblio del modello è
stato fissato a 0.98.
Sono stato poi calcolati i parametri spettrali medi su finestre con lunghezza di 30 secondi.
In particolare sono state create delle regole per l’estrazione dei parametri spettrali con
l’obiettivo di poter meglio discriminare le fasi REM e quelle NREM. I criteri sono stati:
- i parametri spettrali sono stati presi una o due epoche antecedenti e conseguenti all’inizio
e fine dell’epoca REM
- gli stage del NREM sono di 2 tipi: light sleep e deep sleep con al massimo 10 epoche
consecutive.
Per differenziare le caratteristiche dei gruppi sono stati eseguiti dei t-test.
È stato possibile notare come il posizionamento dei poli (a seconda del loro modulo e fase)
all’interno del cerchio unitario sia rappresentativo delle diverse fasi (REM o NREM) in cui
il paziente può trovarsi durante il sonno. In particolare durante il NREM i poli relativi
all’HF sono molto vicini alla circonferenza unitaria mentre durante il REM tendono ad
allontanarsi e ad assestarsi a frequenze inferiori.
Confrontando i valori ottenuti nella fase REM rispetto a quella NREM si è potuto notare
un incremento della componente LF e un decremento del contributo HF. Questi risultati
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 30
sono in accordo con gli studi precedenti ma è stato possibile poter capire la validità dello
studio dei poli ottenuti con il modello auto regressivo che a sua volta si è dimostrato valido
per valutare il comportamento dell’RR durante la notte.
Il modello auto regressivo da utilizzare in caso di estrazione di parametri spettrali è stato
inoltre migliorato e ottimizzato. Grazie al lavoro di Tacchino et. al [19] si è potuto
osservare che l’ordine ottimo di rappresentazione delle oscillazioni del segnale RR non è di
8 coefficienti bensì di 9.
Quest’ultimo lavoro si è posto come obiettivo la ricerca dell’ordine ottimo del modello
autoregressivo tempo variante per estrarre caratteristiche spettrali. Il modello
autoregressivo tempo variante calcola ad ogni campione un determinato numero di
coefficienti (che dipende dell’ordine del modello) sulla base dei coefficienti precedenti ed
un coefficiente d’oblio da imporre a seconda dell’effetto di memoria dei campioni
precedenti che si vuole imporre. Il coefficiente di oblio può essere scelto a seconda di
quanto si voglia tenere in considerazione dei precedenti campioni rispetto a quello in
analisi e la sua variazione è imposta in base al calcolo dell’errore di predizione. É sempre
importante imporre un buon coefficiente d’oblio cercando un compromesso tra la stabilità
in condizioni stazionarie e la velocità dell’adattamento in corrispondenza di rapide
variazioni del segnale.
È stato possibile trovare l’ordine ottimo del modello (9) e impostare un coefficiente d’oblio
variante che riesca a seguire meglio la dinamica del segnale: bassi valori del coefficiente
d’oblio possono essere utilizzati quando il segnale presenta delle dinamiche rapide ad
elevata ampiezza mentre un coefficiente d’oblio maggiore può risultare appropriato quando
il segnale presenta in alcuni spezzoni un andamento stazionario
Quest’ultimo lavoro si è rivelato essere molto utile nella pianificazione del presente lavoro
di tesi che conterrà nel suo sviluppo una modifica di questo algoritmo.
Si cita infine un ultimo lavoro che è stato utile nell’impostazione del problema di questa
tesi in cui si è proposto un metodo di segmentazione automatica del tracciato RR. Per fare
questo ci si è basati sul lavoro svolto da Mariani et. al [20] in uno studio per la
segmentazione dell’EEG e sull’articolo di Bodenstein et al [21].
Nel primo articolo [20] viene presentato un metodo di riconoscimento e classificazione
automatica della fasi del sonno in un tracciato EEG e la conseguente individuazione delle
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 31
fasi CAP (cycling alternating pattern). A questo scopo l’autore ha implementato un
algoritmo di segmentazione automatica del segnale EEG al fine di creare degli indicatori
calcolati su finestre di lunghezza non costante che riescano a caratterizzare le varie fasi con
maggiore accuratezza, specificità e sensitività.
L’articolo presenta i passaggi necessari per eseguire questa classificazione: vengono
innanzitutto isolate le fasi di sonno di tipo NREM con la tecnica delle reti neurali,
successivamente viene eseguita la segmentazione basandola sul principio di misurazione
dell’errore spettrale SEM (Spectral Error Measure). Dai segmenti di tracciato ottenuti è
stato possibile estrarre dei descrittori spettrali utili alla classificazione delle fasi del sonno;
la loro validità è stata testata eseguendo un confronto con altri descrittori ottenuti sul
medesimo tracciato con metodi a finestratura fissa.
Prima che questo algoritmo venisse sviluppato infatti veniva eseguita l’analisi spettrale su
finestre di dimensioni fisse (generalmente di 1 secondo) estraendo su ogni finestra dei
parametri da utilizzare successivamente come un’osservazione sulla medesima finestra
nella fase di training o testing del classificatore. Questo procedimento però trascura le
caratteristiche transienti del segnale, le sue non-stazionarietà e le fluttuazioni che può
presentare penalizzando il contenuto informativo di ogni singolo indicatore ottenuto nella
fase di estrazione di features spettrali calcolati sulla finestra di dimensione fissa. Per
ovviare a questo problema si è deciso di impostare un criterio che possa generare delle
finestre di lunghezza variabile all’interno delle quali il segnale abbia delle caratteristiche
spettrali uniformi.
Questo studio si è basato su segnali polisonnografici ottenuti su 16 soggetti sani acquisiti
presso l’Ospedale Maggiore di Parma; la valutazione dei tracciati e la consecutiva
creazione dell’ipnogramma è stata affidata ad un esperto che ha classificato le fasi del
sonno secondo le regole di Rechtschaffen e Kales (1968) [9]. Questi ipnogrammi hanno
costituito il gold standard e, mediante un confronto tra questi tracciati e quelli ottenuti
dall’algoritmo, è stato possibile valutare la bontà della classificazione e la validità del
metodo proposto.
Prima di poter eseguire la segmentazione è stato effettuato un riconoscimento delle fasi
NREM tramite la generazione di 10 indicatori calcolati su finestre di lunghezza fissa (30
secondi) utilizzati nella classificazione tramite reti neurali per discriminare le fasi di
WAKE, REM, NREM.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 32
Il numero di neuroni nascosti è stato determinato in modo sperimentale attraverso la
minimizzazione dell’errore nel set di training e in quello di validazione utilizzando la
tecnica LOO (leave-one-out).
Una volta terminata la fase di preparazione del segnale si è potuto eseguire l’algoritmo di
segmentazione.
Il principio di funzionamento di quest’algoritmo si basa sulla sogliatura del parametro che
indica la misura dell’errore spettale (SEM): il segnale viene finestrato con una finestra che
ha una lunghezza tale per cui il valore SEM calcolato sulla finestra non superi un
determinato valore di soglia mantenuto fisso. Nel caso in cui SEM dovesse superare il
valore soglia, viene fissato il limite destro della finestra precedente e iniziata una nuova
finestra, azzerando il SEM. (Figura 7)
Figura 7: Metodo SEM per segmentazione adattativa di tracciati EEG
Una volta individuate le finestre a lunghezza variabile vengono estratti 7 descrittori per
ogni finestra: cinque descrittori di banda, un descrittore di attività, e un descrittore di
varianza. Il contenuto informativo di questi è stato confrontato rispetto ai descrittori
ottenuti su finestre di 1 secondo mediante lo studio di curve ROC ottenute applicando
diverse soglie ad ogni descrittore e comparandolo al gold standard ottenuto dalla
classificazione di un esperto.
Una volta terminato l’algoritmo è stato possibile valutarne la validità attraverso il
confronto dei parametri di specificità, sensitività, accuratezza ottenuti con finestratura fissa
rispetto a quella mobile. Si è potuto notare quanto tutti e tre i parametri presentino dei
valori migliori.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 33
Questo sta ad evidenziare quanto il metodo possa essere ritenuto corretto e quanto riesca a
migliorare le performance del classificatore.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 34
5. Materiali e metodi
Nel diagramma in Figura 8 sono mostrate le fasi che hanno caratterizzato questo lavoro di
tesi. Di seguito verrà spiegato ogni blocco del diagramma.
Figura 8: Diagramma a blocchi sullo svolgimento del lavoro
2. PRE-PROCESSING
3. SEGMENTAZIONE /
FINESTRATURA
Segmentazione 90 Campioni
Segmentazione 150 CampioniFinestratura 30 secondi
4. Features Spettrali:
Feat90Camp
Feat150Camp
Capslpdb Database
5. CLASSIFICAZIONE
- Discrminante Lineare
- Reti Neurali
1. ACQUISIZIONE
Ucddb DatabaseSlpdb Database
4. Features Spettrali:
Feat30Sec
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 35
5.1 Protocollo sperimentale
In questo studio sono stati utilizzati tre database di dati disponibili liberamente sulla
piattaforma physionet (http://www.physionet.org). Rispettivamente i database sono stati:
1. MIT-BIH Polysomnographic Database; [23]
2. The CAP Sleep Database; [24][23]
3. St. Vincent’s University Hospital / University College Dublin Sleep Apnea
Database; [25]
Il primo contiene segnali registrati presso il Boston’s Beth Israel Hospital Sleep Laboratory
utilizzati per la valutazione delle apnee ostruttive durante le ore notturne e per testare
l’efficacia di un intervento terapeutico che riduca l’ostruzione delle vie aeree durante il
sonno.
Il CAP Sleep Database contiene 108 registrazioni polisonnografiche di soggetti affetti da
diverse patologie del sonno (narcolessia, bruxismo, insonnia, epilessia notturna al lobo
frontale, movimento periodico delle gambe, disturbi alla respirazione, disturbi della fase
REM). Da questo database sono stati scaricati solo i pazienti sani per un totale di 10
soggetti.
Il terzo database conteneva polisonnografie acquisite presso lo Sleep Disorders Clinic at
St. Vincent’s University Hospital per lo studio di alcune patologie del sonno. Il set di
pazienti è stato selezionato random all’interno di un gruppo di pazienti acquisiti nell’arco
di 6 mesi. Anche in questo caso, per questo lavoro di tesi, sono stati considerati solo i
pazienti sani del database.
La Tabella 5 sottostante mostra alcune caratteristiche preliminari dei segnali utilizzati.
Complessivamente si è ottenuto un set di 47 soggetti sani dei quali non è più stato tenuto in
considerazione il dataset di provenienza.
Tabella 5: Segnali utilizzati
Database Abbreviazione N°
file
Età
media Genere Patologie
Durata media
(ore)
1 slpdb 13 41.9 ±
7.78 13 M Nessuna 5.27 ± 1.49
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 36
2 capslpdb 10 32 ± 5.25 6 F + 4
M Nessuna 8.4 ± 0.6
3 ucddb 24 49.8 ±
9.71
4 F + 20
M Nessuna 6.95 ± 0.5
Tutto il lavoro di tesi è stato effettuato utilizzando il software Matlab® versione R2014a.
5.2 Pre-processing dei dati
Prima di poter effettuare le elaborazioni è stato necessario uniformare i segnali ed estrarre
gli unici tracciati di interesse. Inizialmente infatti i file in questione contenevano segnali
non utili ai fini della tesi come ad esempio EMG, EOG, EEG. L’unico segnale di interesse
acquisito è stato l’ECG e l’ipnogramma relativo alla stessa notte.
Ogni dataset è stato registrato secondo diversi standard di salvataggio di segnali (.ecg, .edf,
.st). Per questo motivo sono state implementate 3 diverse funzioni che permettessero
l’unificazione dei tre dataset. Con l’esecuzione di queste funzioni si sono ottenuti 47 file
.mat ognuno contenente il segnale elettrocardiogramma (ECG) e l’ipnogramma (HYP).
A partire da questi file sono stati estratti i tracciati RR. I file dei soggetti del database slpdb
avevano già al loro interno una matrice con l’identificazione dei picchi di ogni complesso
QRS che è stata usata per la creazione dell’RR. Per gli altri due dataset è invece stato
utilizzato un algoritmo di Pan-Tompkins [12] per il riconoscimento dei picchi R su tutto il
segnale (Figura 9). La funzione in questione ha soglia fissa ed è stato necessario impostare
un valore di soglia adeguato per ogni paziente. I tracciati ECG mostravano grande
variabilità per cui è stato necessario impostare una soglia conducendo un’osservazione
visiva di ogni tracciato per perdere il minor numero di picchi. È stato successivamente
creato una seconda matrice contenente l’ipnogramma sincronizzato con l’RR (Figura 10).
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 37
Figura 9: Riconoscimento dei picchi R con algoritmo di Pan-Tompkins [12]
Figura 10: Ipnogramma sincronizzato con RR
In Figura 10 è rappresentato in blu il tracciato RR: sull’asse delle ascisse è riportato
l’istante in cui il complesso QRS i-esimo è rilevato mentre in ordinata è riportata la
distanza temporale che intercorre tra il picco i-esimo rilevato e il precedente. Nella parte
inferiore della figura è rappresentato l’ipnogramma in corrispondenza degli istanti dell’RR.
1.0362 1.0363 1.0363 1.0363 1.0363 1.0363 1.0364 1.0364 1.0364 1.0364 1.0364
x 105
0
0.5
1
1.5
2
2.5
3
3.5
ECG e detezione picchi R soggetto 23
Secondi
mV
ECG
Picchi R
9.44 9.46 9.48 9.5 9.52 9.54 9.56
x 104
0.4
0.6
0.8
1
1.2
1.4
1.6
1.8RR soggetto 12
Secondi
Seco
nd
i
9.44 9.46 9.48 9.5 9.52 9.54 9.56
x 104
0
1
2
3
4
5
6Ipnogramma soggetto 12
Secondi
Sta
ge
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 38
Sull’asse delle ascisse è riportato il tempo mentre in ordinata sono rappresentati gli stage
corrispettivi in cui si trova il soggetto. La convenzione utilizzata è la seguente:
1 = WAKE;
2 = NREM 1-2;
3 = NREM 3-4;
5 = REM;
A partire dal segnale RR sarà possibile estrarre le features spettrali di ogni campione. Per
fare questo sinora era stato utilizzato un modello autoregressivo tempo-variante ad ordine
ottimizzato 9 (TVAM) che preso in ingresso il segnale RR restituisce in uscita i
coefficienti spettrali e la varianza dell’errore di predizione del modello AR (oltre ad altri
parametri di interesse). Questi verranno successivamente utilizzati nel calcolo della PSD. Il
modello TVAM fonda il suo funzionamento sulla previsione del valore del campione in
esame sulla base dei campioni precedenti: il valore assunto dal segnale all’istante n può
essere descritto come la somma dei campioni precedenti, pesati per i coefficienti del
modello. Viene poi calcolato l’errore di predizione che rientra nel calcolo della varianza
dell’errore di predizione. La variazione del coefficiente d’oblio del modello è stata
impostata seguendo il criterio di Fortesque dal momento che ne è stata validata la
robustezza in precedenti lavori. [19]
Il coefficiente d’oblio secondo il metodo di Fortesque dà la possibilità di ottenere un
coefficiente w tempo variante; in questo modo nel caso l’errore di predizione sia basso il
coefficiente può diventare più elevato. Al contrario, nel caso in cui l’errore di predizione
sia alto, il modello imposta un w ridotto; in questo modo si ottiene un adattamento rapido
del modello al segnale.
Per poter usare questo algoritmo è necessario che l’acquisizione del segnale che sta
ipoteticamente avvenendo sul paziente, sia conclusa. Solo quando il processo di
acquisizione sarà concluso sarà possibile utilizzare il modello TVAM
Un primo step del lavoro di tesi è consistito nell’adattare l’algoritmo perché non dipenda
dallo stato di avanzamento del processo di acquisizione. È infatti importante che questo
algoritmo possa lavorare in sincronia con un’ipotetica acquisizione dell’ECG sul paziente.
Il modello TVAM modificato è in grado di fornire un output ad ogni campione datogli in
ingresso (ad eccezione dei primi nove campioni necessari per poter raggiungere l’ordine
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 39
del modello) e di poter ricaricare i dati necessari nel caso un secondo campione fosse dato
in ingresso a distanza di molto tempo. Questo algoritmo restituisce un output ad ogni
campione acquisito, che costituirà l’input del campione successivo.
Impostando questa modifica è possibile interrompere il calcolo dei coefficienti ad ogni
momento che si desidera e agire sui coefficienti per effettuare delle correzioni. Una volta
eseguite le correzioni si può far ripartire l’algoritmo dando in ingresso il campione corrente
modificato. Le modifiche apportate al campione precedente saranno prese in input
dall’algoritmo e influenzeranno il calcolo dei successivi coefficienti.
Il modello TVAM di partenza dà come output i coefficienti del modello autoregressivo
calcolato sul campione in esame. Da questi coefficienti è possibile calcolare la posizione
che i poli assumono sul piano Z. Essendo la serie RR un segnale a tempo discreto nel
dominio del tempo, è possibile rappresentarlo nel dominio delle frequenze con il calcolo
della trasformata Z. Quest’ultima può essere definita in un dominio di convergenza del
piano complesso Z. Il dominio di convergenza di una qualsiasi equazione alle differenze è
definito dal cerchio unitario e a seconda di dove i poli della funzione di trasferimento del
sistema a tempo discreto si posizionano rispetto al cerchio unitario si può dire che il
sistema è stabile, debolmente stabile, instabile.
Anche in questo lavoro di tesi si è interessati alla posizione dei poli generati a partire dal
segnale RR dal momento che la posizione dei poli può essere esplicativa per una
determinata fase del sonno. [18]
Attraverso il TVAM modificato è stato possibile eseguire delle correzioni su tutti quei poli
che presentavano delle instabilità, che andavano cioè a posizionarsi all’esterno del cerchio
di raggio unitario.
Nel caso l’algoritmo identifichi la presenza di un polo con modulo maggiore di 1, viene
ricalcolata la distanza del polo rispetto all’origine imponendo una riduzione della fase del
doppio della distanza rispetto al raggio unitario. In Figura 11 viene mostrato come è
effettuata la modifica del polo esterno al CU (colore magenta), per riportalo nel dominio di
stabilità (colore verde).
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 40
Figura 11: Metodo di correzione dei poli
All’interno di tutto il database sono stati pochi i pazienti che mostravano dei poli instabili.
L’istogramma in Figura 12 sottostante mostra quante sono state le modifiche ai poli e su
quale soggetto sono state effettuate. L’asse delle ascisse indica il numero identificativo di
ogni paziente.
Figura 12: Conteggi del numero di correzioni sui poli
-1.5 -1 -0.5 0 0.5 1 1.5-1.5
-1
-0.5
0
0.5
1
1.5Correzione sui poli
Cerchio Unitario
Polo Iniziale
Polo Corretto
0
50
100
150
200
250
300
350
400
1 2 3 4 5 6 7 8 91
01
11
21
31
41
51
61
71
81
92
02
12
22
32
42
52
62
72
82
93
03
13
23
33
43
53
63
73
83
94
04
14
24
34
44
54
64
7
n° poli modificati
numpolimod
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 41
Si nota che il numero di correzioni è piuttosto esiguo se si considera la lunghezza totale del
segnale RR di ogni singolo paziente: il paziente 19 mostra 337 sostituzioni di poli che
rapportato alla lunghezza totale del segnale RR costituiscono meno dell’1%. La
percentuale delle modifiche ai poli effettuate su tutti i pazienti è pari allo 0.09%.
Questa correzione sulla posizione dei poli viene poi mandata in input all’algoritmo per il
calcolo dei parametri successivi; questo crea delle modifiche sul calcolo dell’errore di
predizione. Dalla Figura 13 si può notare come la correzione sui poli generi una varianza
dell’errore di predizione più elevata rispetto al modello precedente. Prima che l’errore
possa essere paragonabile a quello ottenuto con il modello TVAM classico devono passare
diversi campioni. Il tracciato rosso indica l’andamento della varianza dell’errore di
predizione senza che la correzione sui poli venga effettuata mentre quello blu è quello
ottenuto al seguito della correzione dei poli che è avvenuta in corrispondenza dei punti
indicati in nero.
Figura 13: Effetti della correzione dei poli sulla varianza dell'errore di predizione
Questo aspetto va tenuto in considerazione dal momento che la varianza dell’errore di
predizione verrà data in ingresso all’algoritmo per il calcolo dello spettro.
La correzione dei poli impone delle modifiche anche sull’andamento delle features
spettrali. In Figura 14 sono mostrati gli andamenti di due features senza effettuare
8 8.2 8.4 8.6 8.8 9 9.2 9.4 9.6 9.8 10
x 104
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07Varianza dell'errore di predizione senza correzione dei poli soggetto 1
Secondi
8 8.2 8.4 8.6 8.8 9 9.2 9.4 9.6 9.8 10
x 104
0
0.01
0.02
0.03
0.04
0.05
0.06
0.07Varianza dell'errore di predizione con correzione dei poli soggetto 1
Secondi
Var Err Pre
Var Err Pre
Poli Corretti
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 42
modifiche sui poli (rosso) e correggendo la distanza del polo rispetto all’origine (blu). In
verde sono indicati gli istanti in cui viene effettuata la correzione sui poli.
Figura 14: Effetti della correzione dei poli su VLF e HFPoleMdule
All’interno dell’algoritmo TVAM è stato possibile anche sincronizzare gli ipnogrammi in
corrispondenza di tutti i campioni di ogni paziente. Per questo lavoro sono state adottate
delle convenzioni diverse rispetto agli standard di stadiazione del sonno: in particolare
sono state accorpate due fasi di non-rem. Le fasi di non-REM 1 2 sono state unite in un
unico cluster così come le fasi di non-REM 3 e 4.
Tutti gli ipnogrammi sono stati impostati secondo questa convenzione:
1 – WAKE;
2 – NR(1-2);
3 – NR(3-4);
5 – REM;
8.7 8.72 8.74 8.76 8.78 8.8 8.82 8.84 8.86
x 104
0
20
40
60
80
100
120VLF soggetto 12
Secondi
Perc
en
tuale
descrittore senza modifica dei poli
descrittore con modifica dei poli
8.7 8.72 8.74 8.76 8.78 8.8 8.82 8.84 8.86
x 104
0.4
0.6
0.8
1
HFPoleModule soggetto 12
Secondi
Mo
du
lo
descrittore senza modifica dei poli
descrittore con modifica dei poli
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 43
Nella Figura 15 sottostante è mostrato un esempio di ipnogramma:
Figura 15: Ipnogramma corretto secondo la convenzione utilizzata
Gli ipnogrammi di ogni paziente sono stati sincronizzati con il tracciato RR e sono stati
rimossi quegli spezzoni di segnale che non erano definiti nel dominio dall’altro segnale.
Può infatti succedere che la registrazione dell’ipnogramma cominci con qualche minuto di
ritardo rispetto all’acquisizione ECG o viceversa. Chiaramente non è possibile fare nessuna
considerazione per quegli spezzoni in cui manca uno dei due tracciati (RR o hyp).
5.3 Segmentazione
Da questo punto in poi il lavoro si è sviluppato parallelamente cercando due metodi che
consentissero una buona estrazione di caratteristiche spettrali. I due metodi seguono due
approcci con l’obiettivo unico di creare delle finestre di segnale da passare all’algoritmo di
estrazione di features spettrali. Normalmente infatti non si fa una classificazione sulla base
di features spettrali sul singolo campione; al contrario si crea uno spettro medio all’interno
di uno spezzone di segnale da cui poi estrarre i descrittori d’interesse da passare al
classificatore.
8 8.5 9 9.5 10 10.5 11 11.5
x 104
0
1
2
3
4
5
6
Secondi
Sta
ge
Ipnogramma soggetto 1
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 44
Lo scopo di questa attività è quello di identificare un criterio per meglio partizionare il
segnale così da creare degli spezzoni che possano avere caratteristiche spettrali simili. I
due approcci utilizzati sono:
1 – finestratura a lunghezza fissa impostata a 30 secondi;
2 – segmentazione a finestra variabile basandosi sul calcolo del parametro SEM.
Le features spettrali estratte in entrambi i casi sono state:
VLF%: è la potenza spettrale che cade nella banda di Very Low Frequency
(0.001 – 0.04 Hz) a cui vengono associate le lente fluttuazioni della frequenza
cardiaca dovuti a effetti di termoregolazione. Il valore è espresso in percentuale
rispetto alla Total Power;
LF%: è l’area della PSD contenuta all’interno della banda di frequenza 0.04 – 0.2
Hz le cui variazioni sono dovute all’attività simpatica. Il valore è espresso in
percentuale rispetto alla Total Power;
HF%: è la potenza contenuta nella banda di alta frequenza (0.2 – 0.4 Hz).
L’associazione di questo parametro all’attività parasimpatica non è ancora stata
stabilita con certezza. Il valore è espresso in percentuale rispetto alla Total Power;
LF/HF: rapporto tra le due potenze in banda. La modulazione di questo indicatore
è indicativo di quale tipo di attività prevalga tra le bande.
HFPoleModule: Modulo del polo di alta frequenza ottenuto dal modello
autoregressivo;
LFn = Contenuto delle basse frequenze normalizzato. LFn = LF / (TP - VLF);
HFn = Contenuto delle alte frequenze normalizzato HFn = HF / (TP –VLF);
Total Power: potenza totale ottenuta con la PSD.
5.3.1 Finestratura a lunghezza fissa
In questo caso l’algoritmo elimina gli outlier dall’RR e divide il segnale con segmenti di
lunghezza costante pari a 30 secondi. Ogni segmento viene passato all’algoritmo per il
calcolo dello spettro e la successiva creazione dei descrittori spettrali che vengono generati
a partire della media dei coefficienti ottenuta sulla singola finestratura: per ogni singolo
spezzone della durata di 30 secondi si ottengono 8 descrittori. Ad ogni spezzone viene
assegnato lo stage dall’ipnogramma corrispettivo assegnando il valore di stage che ha più
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 45
alta numerosità sui campioni interni allo spezzone di 30 secondi. È stata creata anche una
parte di codice per tenere memoria del segmento in cui l’assegnazione dello stage allo
spezzone sia ritenuta non precisa: la condizione imposta è verificata quando lo stage
assegnato a tutto lo spezzone è presente al suo interno per meno del 70%.
5.3.2 Segmentazione a finestra adattativa
Prima di implementare questo algoritmo è stata condotta una ricerca bibliografica per
cercare di capire se fossero stati già inventati dei metodi di segmentazione dinamica
dell’ECG. Non si sono trovati articoli inerenti a questa tecnica dunque si sono fatte delle
considerazioni sulla base di una tecnica proposta da Bodenstein nel 1977 ([9]) per la
segmentazione adattativa dell’EEG.
Sulla base di questo articolo è stato implementato l’algoritmo di segmentazione del
tracciato RR che è così strutturato.
Dopo un primo filtraggio dell’RR di ingresso in cui vengono rimossi gli outlier e si
normalizza il segnale, l’algoritmo scorre il segnale finché non acquisisce il numero minimo
di campioni per poter calcolare il modello autoregressivo dello spezzone e l’errore di
predizione. Quest’ultimo viene preso in esame e modificato nel caso in cui presenti picchi
elevati per brevi transitori. A partire dal campione n-esimo l’algoritmo imposta il limite
sinistro della finestra e comincia a scorrere i campioni successivi calcolando ad ogni passo
4 indici di errore che entrano nel calcolo della short time ACF che ha un valore di
ampiezza fissato a 3. La funzione di ACF quindi con m = [0, M] viene calcolata come:
(n,m)=
;
Dopodiché per valori di m da 0 a M viene calcolato il valore SEM:
SEM(n) = [ 0,0
n,0 -1]2
+ ∑ [
]
2;
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 46
Il primo termine dell’equazione rappresenta il cambiamento sulla potenza totale dell’errore
di predizione mentre il secondo termine dipende unicamente dai cambiamenti spettrali. Il
segnale RR avrà caratteristica quasi-stazionaria finché il valore di SEM si mantiene sotto
un certo valore di soglia impostata.
Quando il valore SEM oltrepassa in corrispondenza del campione n + k il valore di soglia
threshold 1, si fissa sul medesimo campione il limite destro del segmento di segnale e si
ricomincia il ciclo re-inizializzando tutto dal campione successivo n + k + 1.
La scelta di un valore di soglia fisso da imporre alla SEM è risultato non adatto per le
necessità del lavoro. Si è quindi scelto di creare una soglia adattativa che varia ad ogni
finestratura. Si è inoltre imposto un vincolo pratico sulla lunghezza minima e massima
della finestra. Sono state generate due tipi di segmentazione a lunghezza adattativa dal
momento che si sono imposte due condizioni diverse sulla lunghezza della finestra. La
prima segmentazione impone una lunghezza minima di finestra pari a 90 campioni e una
lunghezza massima di 420 campioni. La seconda segmentazione adattativa ha i limiti
inferiore e superiore fissati rispettivamente a 150 e 480 campioni.
La scelta di questi limiti è dovuta a delle considerazioni pratiche sull’utilizzo
dell’algoritmo batch di creazione delle features spettrali e alla necessità di non voler
ottenere delle finestre eccessivamente ampie nel caso non si riesca a trovare la soglia
ottima per lo spezzone in osservazione.
Il valore N che compare nel calcolo della ACF corrisponde alla semi-ampiezza della
finestra entro cui ci si aspetta che il valore di SEM rimanga sotto la threshold 1.
Nell’algoritmo è stato imposto una valore di 270 campioni, pari alla metà della lunghezza
di epoche simili consecutive medie calcolate su tutti i soggetti del database (Figura 16).
L’istogramma sottostante mostra la lunghezza di epoche consecutive uguali per ogni
paziente grazie al quale è stato possibile calcolare la lunghezza di N = 270 campioni pari a
9 epoche di 30 secondi.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 47
Figura 16: Lunghezza media epoche simili su ogni soggetto
È stato poi imposto un secondo vincolo sul numero massimo di iterazioni che l’algoritmo
può compiere per trovare la soglia ottima dello spezzone in esame per ridurre i tempi di
elaborazione. Nel caso l’algoritmo compia più di 500 iterazioni sul singolo spezzone viene
imposta una finestra di lunghezza pari a 90 campioni (o 150) e si procede con la re-
inizializzazione dell’algoritmo sul campione successivo.
Anche nel caso di segmentazione adattativa viene assegnato ad ogni spezzone di segnale
un valore di ipnogramma verificando quale sia lo stage a più alta numerosità all’interno del
segmento e tenendo conto di eventuali assegnazioni sospette.
Al termine della segmentazione si ottengono gli spezzoni di RR mostrati in Figura 17: in
magenta è rappresentato il tracciato RR da cui sono stati rimossi gli outlier mentre
l’ipnogramma è rappresentato in nero. Le linee verdi rappresentano tutti i segmenti creati.
0
10
20
30
40
50
60
70
801 2 3 4 5 6 7 8 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
Lunghezza media epoche simili
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 48
Figura 17: Risultato della segmentazione su un soggetto
5.4 Estrazione di features spettrali
I risultati dei precedenti algoritmi vengono unificati in modo da perdere la dipendenza
dalle caratteristiche di ogni singolo paziente. Vengono quindi creati tre grossi dataset:
1. Finestratura a lunghezza fissa: matrice30sec
2. Segmentazione a finestra mobile:
i. Con finestra minima di 90 campioni: matrice90camp;
ii. Confinestra minima di 150 campioni: matrice150camp;
Il secondo e il terzo set vengono passati ad un algoritmo che crea il modello AR Batch di
ogni spezzone trovando l’ordine ottimo del modello (tra 8 e 20). Dal modello ottenuto è
così possibile estrarre le features spettrali. Il primo dataset come già detto è invece passato
al modello TVAM (9) e successivamente all’algoritmo di estrazione delle features
calcolate facendo la media dei coefficienti e della varianza dell’errore di predizione
ottenuti entro la finestra fissa di 30 secondi. In entrambi i casi le features sono il risultato
dell’estrazione di parametri sulla base dei coefficienti medi ottenuti all’interno di un
segmento.
9.4 9.5 9.6 9.7 9.8 9.9
x 104
1
2
3
4
5
6
7
8
Segmentazione 90 campioni soggetto 1
Secondi
Mv,
Sta
ge
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 49
Si arriva dunque alla definizione di 3 dataset, ognuno contenente 8 colonne di descrittori
spettrali e una colonna con lo stage corrispettivo di ogni riga.
In Figura 18 è mostrata l’evoluzione di un descrittore in corrispondenza dell’ipnogramma.
In particolare è rappresentato il descrittore LF/HF per i primi 1000 campioni ottenuti con la
segmentazione a 150 campioni
Figura 18: Variazione di LF/HF in corrispondenza di diversi stage
In Figura 19 e Figura 20 sono mostrati gli istogrammi ottenuti per i rispettivi descrittori nel
caso di dataset a 30 secondi e 90 campioni.
2.94 2.945 2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99
x 104
0
10
20
30
40
50
60LF/HF
Secondi
2.94 2.945 2.95 2.955 2.96 2.965 2.97 2.975 2.98 2.985 2.99
x 104
0
1
2
3
4
5
6Ipnogramma
Secondi
Sta
ge
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 50
Figura 19: Istogrammi ottenuti con finestratura fissa
Figura 20: Istogrammi ottenuti con segmentazione adattativa
0 10 20 30 40 500
2000
4000
6000VLF
0 10 20 30 40 500
0.5
1
1.5
2x 10
4 LF
0 10 20 30 40 500
1
2
3x 10
4 HF
0 10 20 30 40 500
1
2
3
4x 10
4 LF/HF
0 10 20 30 40 500
1000
2000
3000
4000HFpoleModule
0 10 20 30 40 500
1
2
3
4x 10
4 LFn
0 10 20 30 40 500
1
2
3
4x 10
4 HFn
0 10 20 30 40 500
1
2
3x 10
4 Tp
0 0.5 1 1.5 21
2
3
4
530
wake
nrem 1-2
nrem 3-4
rem
total
Istogrammi finestratura fissa
0 10 20 30 40 500
100
200
300VLF
0 10 20 30 40 500
100
200
300LF
0 10 20 30 40 500
200
400
600
800HF
0 10 20 30 40 500
1000
2000
3000LF/HF
0 10 20 30 40 500
200
400
600
800HFpoleModule
0 10 20 30 40 500
100
200
300LFn
0 10 20 30 40 500
100
200
300
400HFn
0 10 20 30 40 500
1000
2000
3000
4000Tp
0 0.5 1 1.5 21
2
3
4
590
wake
nrem 1-2
nrem 3-4
rem
total
Istogrammi segmentazione adattativa
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 51
5.5 Classificazione
A partire da queste matrici sarà possibile passare al classificatore un set di descrittori per
ottener una previsione sull’ipnogramma di un testing set.
Le due metodologie scelte di classificazione sono state il discriminante lineare e le reti
neurali.
Prima di lanciare qualsiasi algoritmo di classificazione si è dovuto bilanciare il dataset
basandosi sulla numerosità dei 4 stage. Lo stage 2 infatti presentava una numerosità
nettamente più elevata rispetto ai segmenti in WAKE e questo sbilanciamento avrebbe
potuto causare problemi nella classificazione. Inoltre sono stati eseguiti diversi cicli sullo
stesso dataset randomizzandolo ad ogni iterata.
Prima di lanciare il classificatore sono state fatte delle considerazioni sul dataset per
cercare quale fosse la tecnica migliore di classificazione e capire se ci fossero delle
features con una capacità discriminante migliore rispetto ad altre. Si è utilizzato un training
set pari all’80% della lunghezza totale del dataset.
A partire dagli 8 parametri spettrali si è eliminato quello relativo alla Potenza totale dal
momento che, come già osservato, la varianza dell’errore di predizione in caso di
correzione dei poli può presentare valori che si discostano molto dal suo reale andamento
influenzando la bontà del contenuto informativo di questa features.
Sono state eseguite delle classificazioni basandosi su tutte le permutazioni possibili tra le 7
features rimanenti per un totale di 125 combinazioni ed è stata valutata la bontà della
classificazione secondo discriminante lineare per ogni permutazione tra features applicata a
diversi set di training/testing.
Ogni permutazione è stata testata su diverse combinazioni di dataset: per esempio si è
chiesto al classificatore di trovare la migliore permutazione di features che discriminasse lo
stage 1 rispetto al 2 e il 3.
Le performance del classificatore in questo caso sono state valutate con il K di Cohen. In
Figura 21 sono mostrati le diverse classi che si è voluto discriminare tra di loro utilizzando
tutte le permutazioni tra features (in ascissa). In questo caso si nota che la migliore
performance (K = 0.2845) è data dalla permutazione 114 a cui corrisponde la
combinazione delle features 2, 3, 4, 5, e 6; rispettivamente: LF, HF, LF/HF,
HFPoleModule, LFn.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 52
Figura 21: Cohen's K per ogni confronto tra stage e per ogni permutazione tra descrittori
La Figura 22 mostra il test effettuato su tutti gli accoppiamento possibili tra stage ed
evidenzia come le performance migliori si ottengano con il confronto tra stage 1 e 3.
Da questi tracciati si può vedere come non ci siano grandi differenze di prestazione
cambiando le features, si è quindi deciso di passare al classificatore tutti gli indicatori (ad
eccezione della Total Power come già detto).
0 20 40 60 80 100 120 140-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
Numero Permtazione
K C
ohen
K Cohen testato con tutte le permutazioni di features
1Vs2
1Vs3
1Vs5
2Vs3
2Vs5
3Vs5
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 53
Figura 22: Cohen's K tra accorpamenti di stage e per ogni permutazione tra descrittori
Sulla base di queste considerazioni sono stati lanciati il classificatore lineare e le reti
neurali ottenendo i risultati riportati in seguito.
0 20 40 60 80 100 120 1400
0.05
0.1
0.15
0.2
0.25
0.3
0.35
Numero Permutazione
K C
ohen
K Cohen testato su tutte perfmutazioni di fetaures su 4 classi
1Vs2Vs3Vs5
[1 2] Vs [3 5]
[1 3] Vs [2 5]
[1 5] Vs [2 3]
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 54
6. Risultati
I risultati della classificazione sono stati valutati in base a 4 indicatori: Precision (PPV),
Recall (TPR), Accuracy, Cohen’s Kappa.
La Precision è calcolata come il numero di veri positivi rispetto alla somma di tutti gli
elementi classificati positivamente. La Recall è definita come il numero dei veri positivi
calcolata rispetto al numero di elementi che effettivamente sono da classificare come
positivi.
Il valore di accuratezza è un indicatore che indica il grado di scostamento della
classificazione fatta rispetto ai dati reali mentre il Cohen’s Kappa è un indicatore che può
variare tra -1 e 1 utile per comprendere l’affidabilità dei riconoscimenti.
Si riportano di seguito i risultati ottenuti in riferimento a 4 diverse classificazioni su diversi
raggruppamenti in classi del training e testing set eseguiti tutti sia con discriminante lineare
(LD) che con l’uso di reti neurali (N NET).
Nel primo caso (Tabella 6) si è classificato senza fare accorpamenti tra stage. A seguire
verranno provate delle classificazioni accorpando diverse combinazioni tra stage (Tabella
7, Tabella 8, Tabella 9).
Tabella 6: [Stage 1] Vs [Stage 2] Vs [Stage 3] Vs [Stage 4].
feat30sec
LD
Class 1 2 3 5
Precision 0,3558 ± 0,0178 0,3296 ± 0,0026 0,4469 ± 0,0133 0,3408 ± 0,016
Recall 0,4149 ± 0,0229 0,3396 ± 0,0122 0,5537 ± 0,026 0,1925 ± 0,01
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 55
Kappa 0,1669 ± 0,0046
Accuracy 0,3752 ± 0,0035
N NET
Class 1 2 3 5
Precision 0,4862 ± 0,0163 0,4299 ± 0,0249 0,5310 ± 0,0184 0,4354 ± 0,0137
Recall 0,4909 ± 0,0261 0,1817 ± 0,0270 0,7036 ± 0,0247 0,5366 ± 0,0199
Kappa 0,3043 ± 0,0099
Accuracy 0,4782 ± 0,0074
feat90camp
LD
Class 1 2 3 5
Precision 0,3523 ± 0,0183 0,3320 ± 0,0201 0,5229 ± 0,0257 0,3997 ± 0,0264
Recall 0,2328 ± 0,0105 0,3752 ± 0,0357 0,5812 ± 0,0105 0,4372 ± 0,0151
Kappa 0,2088 ± 0,0203
Accuracy 0,4066 ± 0,0152
N NET
Class 1 2 3 5
Precision 0,3615 ± 0,0216 0,3282 ± 0,0135 0,5277 ± 0,0195 0,4066 ± 0,0223
Recall 0,3189 ± 0,0544 0,2462 ± 0,0449 0,6817 ± 0,0274 0,4355 ± 0,0443
Kappa 0,2275 ± 0,0145
Accuracy 0,4206 ± 0,0109
feat150camp
LD
Class 1 2 3 5
Precision 0,400 ± 0,0613 0,3618 ± 0,0275 0,5266 ± 0,0114 0,3992 ± 0,0199
Recall 0,3004 ± 0,0152 0,4035 ± 0,0137 0,5680 ± 0,0152 0,4145 ± 0,0668
Kappa 0,2288 ± 0,0228
Accuracy 0,4261 ± 0,0171
N NET
Class 1 2 3 5
Precision 0,3700 ± 0,0420 0,3969 ± 0,0386 0,5399 ± 0,0195 0,3945 ± 0,0298
Recall 0,2860 ± 0,07400 0,2952 ± 0,0679 0,6811 ± 0,0256 0,4741 ± 0,0748
Kappa 0,2455 ± 0,0151
Accuracy 0,4341 ± 0,0113
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 56
Tabella 7: [Stage 1; Stage 5] Vs [Stage 2; Stage 3]
feat30sec
LD
Class [1,5] [2,3]
Precision 0,6286 ± 0,0077 0,6210 ± 0,0057
Recall 0,6096 ± 0,0049 0,6398 ± 0,0103
Kappa 0,2493 ± 0,0131
Accuracy 0,6247 ± 0,0066
N NET
Class [1,5] [2,3]
Precision 0,6514 ± 0,0110 0,6613 ± 0,0095
Recall 0,6722 ± 0,0086 0,6401 ± 0,0150
Kappa 0,3123 ± 0,0203
Accuracy 0,6561 ± 0,0102
feat90camp
LD
Class [1,5] [2,3]
Precision 0,6440 ± 0,0164 0,6313 ± 0,0121
Recall 0,6140 ± 0,0451 0,6591 ± 0,0474
Kappa 0,2731 ± 0,0103
Accuracy 0,6366 ± 0,0052
N NET
Class [1,5] [2,3]
Precision 0,6466 ± 0,0195 0,6628 ± 0,0282
Recall 0,6787 ± 0,0657 0,6226 ± 0,0653
Kappa 0,3013 ± 0,0189
Accuracy 0,6506 ± 0,0095
feat150camp
LD
Class [1,5] [2,3]
Precision 0,6473 ± 0,0243 0,6456 ± 0,0233
Recall 0,6435 ± 0,0280 0,6493 ± 0,0277
Kappa 0,2928 ± 0,0466
Accuracy 0,6464 ± 0,0233
N NET
Class [1,5] [2,3]
Precision 0,6436 ± 0,0166 0,6709 ± 0,0354
Recall 0,6939 ± 0,0598 0,6139 ± 0,0555
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 57
Kappa 0,3078 ± 0,0265
Accuracy 0,6539 ± 0,0132
Tabella 8: [Stage 1] Vs [Stage 3] Vs [Stage 5]
feat30sec
LD
Class 1 3 5
Precision 0,4496 ± 0,0113 0,5844 ± 0,0109 0,4745 ± 0,0039
Recall 0,4520 ± 0,0305 0,7360 ± 0,0086 0,3492 ± 0,0199
Kappa 0,2686 ± 0,0123
Accuracy 0,5124 ± 0,0082
NET
Class 1 3 5
Precision 0,6270 ± 0,0177 0,6798 ± 0,0127 0,5859 ± 0,0233
Recall 0,5367 ± 0,0252 0,7513 ± 0,0126 0,6074 ± 0,0227
Kappa 0,4477 ± 0,0191
Accuracy 0,6318 ± 0,0127
feat90camp
LD
Class 1 3 5
Precision 0,4496 ± 0,0113 0,5844 ± 0,0109 0,4745 ± 0,0039
Recall 0,4520 ± 0,0305 0,7360 ± 0,0086 0,3492 ± 0,0199
Kappa 0,2686 ± 0,0123
Accuracy 0,5124 ± 0,0082
NET
Class 1 3 5
Precision 0,6270 ± 0,0177 0,6798 ± 0,0127 0,5859 ± 0,0233
Recall 0,5367 ± 0,0252 0,7513 ± 0,0126 0,6074 ± 0,0227
Kappa 0,4477 ± 0,0191
Accuracy 0,6318 ± 0,0127
feat150camp
LD
Class 1 3 5
Precision 0,4793 ± 0,0282 0,6314 ± 0,0208 0,4811 ± 0,0221
Recall 0,4057 ± 0,107 0,7522 ± 0,0266 0,4649 ± 0,0448
Kappa 0,3114 ± 0,0214
Accuracy 0,5409 ± 0,0143
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 58
NET
Class 1 3 5
Precision 0,4691 ± 0,0277 0,6926 ± 0,0312 0,4818 ± 0,0238
Recall 0,4281 ± 0,0878 0,7575 ± 0,0286 0,4728 ± 0,0885
Kappa 0,3292 ± 0,0196
Accuracy 0,5528 ± 0,0131
Tabella 9: [Stage 3] Vs [Stage 1; Stage 2; Stage 5]
feat30
LD
Class 3 [1,2,5]
Precision 0,6873 ± 0,0052 0,7167 ± 0,0084
Recall 0,7372 ± 0,0103 0,6646 ± 0,0063
Kappa 0,4018± 0,0125
Accuracy 0,7009 ± 0,0062
N NET
Class 3 [1,2,5]
Precision 0,7401± 0,0142 0,7791 ± 0,0219
Recall 0,7952 ± 0,0254 0,7206 ± 0,0187
Kappa 0,5158± 0,031
Accuracy 0,7579 ± 0,0155
feat90
LD
Class 3 [1,2,5]
Precision 0,7433 ± 0,0251 0,7600 ± 0,0224
Recall 0,7672 ± 0,0364 0,7337 ± 0,0429
Kappa 0,5008 ± 0,0277
Accuracy 0,7504 ± 0,0138
N NET
Class 3 [1,2,5]
Precision 0,7258 ± 0,0199 0,7470 ± 0,0324
Recall 0,7548 ± 0,0572 0,7126 ± 0,0465
Kappa 0,4673 ± 0,0229
Accuracy 0,7337 ± 0,0115
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 59
feat150
LD
Class 3 [1,2,5]
Precision 0,7128 ± 0,0192 0,7714 ± 0,0253
Recall 0,7982 ± 0,0325 0,6776 ± 0,0348
Kappa 0,4759 ± 0,0311
Accuracy 0,7379 ± 0,0155
N NET
Class 3 [1,2,5]
Precision 0,7264 ± 0,0262 0,7402 ± 0,0296
Recall 0,7461 ± 0,0445 0,7171 ± 0,0454
Kappa 0,4362 ± 0,0376
Accuracy 0,7316 ± 0,0188
Osservando la Tabella 6 si nota come non sia possibile compiere una classificazione
passando al classificatore tutti e 4 gli stage del train set: i risultati in questo caso sono
buoni unicamente per la Precision dello stage 3 classificato con reti neurali ma comunque
lontani da delle buone performance di classificazione. Il Recall dello stage 3 ha sempre
valori maggiori rispetto a quelli calcolati sugli altri stati ma anche in questo caso sono
valori non sufficienti.
Partendo da queste assunzioni sono state fatte altre classificazioni provando ad accorpare
alcuni stage in un’unica classe. Il primo tentativo è stato fatto unendo rispettivamente
WAKE con REM e i due stage di NREM (Tabella 7).
In questo caso si riesce ad avere una discriminazione migliore. I migliori indicatori sono
ottenuti con le reti neurali e il discriminante lineare è leggermente migliore quando
applicato ai dataset segmentati rispetto a quello a finestratura. La Precision più alta è
ottenuta con la finestratura fissa mediante rete neurale per lo stage 1 e 5 (PPVNET30 =
0.6514 ± 0.0110).
Il Cohen’s Kappa mostra un buon valore nel caso di uso di rete neurale su dataset a
finestratura (KNET30 = 0.3123 ± 0.0203).
Osservando invece la Tabella 8 e la Tabella 9 si nota la buona discriminazione ottenuta per
lo Stage 3 soprattutto nel caso di uso di reti neurali.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 60
Effettuando il confronto tra stage 3 rispetto a tutti gli altri si ottengono dei risultati molto
buoni (Tabella 9) sia con la segmentazione che con la finestratura.
Il fatto che lo Stage 3 sia sempre quello meglio discriminato è in linea con i risultati
raccolti in bibliografia; la difficoltà maggiore è quella di distinguere il WAKE dal REM.
Partendo dai buoni risultati ottenuti nella discriminazione dello Stage 3 si è provato con un
secondo algoritmo a compiere delle classificazioni sugli altri 3 stage rimanenti. I migliori
risultati ottenuti sono quelli che prevedono l’accorpamento degli stage 2 e 5 da
discriminare rispetto allo stage 1.
In Tabella 10 vengono riportati i risultati di questa operazione:
Tabella 10: [Stage 1] Vs [Stage 2; Stage 5]
feat30sec
LD
Class 1 [2,5]
Precision 0,6212 ± 0,0020 0,6210 ± 0,0005
Recall 0,6206 ± 0,0037 0,3217 ± 0,0054
Kappa 0,2422 ± 0,002
Accuracy 0,6211 ± 0,001
N NET
Class 1 [2,5]
Precision 0,6730 ± 0,0149 0,6526 ± 0,0123
Recall 0,6308 ± 0,0209 0,6931 ± 0,0217
Kappa 0,3240 ± 0,0241
Accuracy 0,6620 ± 0,0120
feat90camp
LD
Class 1 [2,5]
Precision 0,5850 ± 0,0235 0,5814 ± 0,0210
Recall 0,5726 ± 0,0324 0,5934 ± 0,0355
Kappa 0,166 ± 0,0439
Accuracy 0,5830 ± 0,0220
N NET
Class 1 [2,5]
Precision 0,5747 ± 0,021 0,5741 ± 0,0235
Recall 0,5679 ± 0,0891 0,5770 ± 0,081
Kappa 0,1450 ± 0,0369
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 61
Accuracy 0,5725 ± 0,0185
feat150camp
LD
Class 1 [2,5]
Precision 0,5716 ± 0,0073 0,5640 ± 0,0089
Recall 0,5386 ± 0,0243 0,5965 ± 0,0161
Kappa 0,1315 ± 0,0161
Accuracy 0,5675 ± 0,008
N NET
Class 1 [2,5]
Precision 0,5790 ± 0,0158 0,5737 ± 0,0086
Recall 0,5618 ± 0,0427 0,5895 ± 0,0514
Kappa 0,1512 ± 0,0189
Accuracy 0,5756 ± 0,0095
Con questo metodo si è anche provato ad effettuare la classificazione riportata in Tabella
11 dove si confronta lo stage 2 con l’accorpamento degli stage 1 e 5:
Tabella 11: [Stage 2] Vs [Stage 1; Stage 5]
feat30sec
LD
Class 2 [1,5]
Precision 0,5983 ± 0,0014 0,6069 ± 0,0037
Recall 0,6235 ± 0,0085 0,5184 ± 0,0047
Kappa 0,2048 ± 0,0047
Accuracy 0,6024 ± 0,0024
N NET
Class 2 [1,5]
Precision 0,6364 ± 0,0097 0,6311 ± 0,0106
Recall 0,6236 ± 0,0164 0,6436 ± 0,0128
Kappa 0,2672 ± 0,0193
Accuracy 0,6336 ± 0,0097
feat90camp
LD
Class 2 [1,5]
Precision 0,6187 ± 0,0109 0,6275 ± 0,0037
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 62
Recall 0,6411 ± 0,0256 0,6042 ± 0,0346
Kappa 0,2453 ± 0,0094
Accuracy 0,6226 ± 0,0047
N NET
Class 2 [1,5]
Precision 0,6286 ± 0,0239 0,6183 ± 0,0155
Recall 0,6029 ± 0,0559 0,6425 ± 0,0616
Kappa 0,2433 ± 0,0252
Accuracy 0,6217 ± 0,0126
feat150camp
LD
Class 2 [1,5]
Precision 0,6122 ± 0,0140 0,6263 ± 0,0166
Recall 0,6483 ± 0,0189 0,5894 ± 0,0160
Kappa 0,2377 ± 0,0303
Accuracy 0,6188 ± 0,0151
N NET
Class 2 [1,5]
Precision 0,6277 ± 0,0180 0,6174 ± 0,0127
Recall 0,6021 ± 0,0339 0,6415 ± 0,0402
Kappa 0,2437 ± 0,0265
Accuracy 0,6218 ± 0,0132
In questo caso però i risultati sono peggiori rispetto alla Tabella 10.
Osservando la Tabella 10 si osserva che la migliore discriminazione è ottenuta usando il
dataset a finestratura fissa. Con le reti neurali si ottengo invece dei buoni risultati sia in
termini di Precision (PPVNET30 = 0.6730 ± 0.0149) e Recall (TPRNET30= 0.6308± 0.0209)
che per il Kappa di Cohen (KNET30 = 0.3240 ± 0.0241) e l’accuratezza (ACCNET30 = 0.6220
± 0.0120)
Il terzo algoritmo ha previsto una classificazione a stadi successivi. In particolare
l’algoritmo parte dalla buona discriminazione ottenuta per lo stage 3 (vedi Tabella 9) e lo
confronta rispetto a tutti gli altri nel primo stadio. Dopodiché dal testing set vengono
rimosse tutte le classificazioni considerate positive e si esegue un nuovo stadio di
classificazione discriminando uno stadio contro tutti gli altri. Il ciclo di classificazione è
ripetuto fino ad esaurire gli stage mantenendo sempre lo stesso training set e riducendo ad
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 63
ogni stadio il testing set. L’addestramento della rete neurale è effettuato ad ogni stadio di
ogni rete.
In Figura 23 viene mostrato il processo di classificazione a stadi per il quale sono state
usate solo le reti neurali e il dataset a finestratura fissa simulando ogni combinazione tra
stage successivi al terzo.
Figura 23: Schema di esecuzione della classificazione a stadi per le tre reti
L’algoritmo è replicato fino ad aver classificato tutti e 4 gli stadi per ogni combinazione di
ordine tra stage.
I risultati sono riportati in Tabella 12:
Tabella 12: Risultati classificazione a stadi
Classificatore a stadi n°1
Stage 1 Stage 2 Stage 3 Stage 5
Precision 0,6421 ± 0,0214 0,6512 ± 0,0481 0,6840 ± 0,0224 0,3119 ± 0,0051
Recall 0,2387 ± 0,0390 0,0552 ± 0,0160 0,4646 ± 0,0415 0,8943 ± 0,0189
Kappa 0,2166 ± 0,0126
Classificatore: Stage 3
Vs [Stage 1; Stage 2;
Stage 5]
Classificatore 1.b: Stage 1
Vs [Stage 2; Stage 5]
Classificatore 1.c: Stage 2
Vs
Stage 5
Classificatore 2.b: Stage 2
Vs [Stage 1; Stage 5]
Classificatore 2.c: Stage 1
Vs Stage 5
Classificatore 3.b: Stage 5
Vs [Stage 1; Stage 2]
Classificatore 3.c: Stage 1
Vs Stage 2
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 64
Accuracy 0,4152 ± 0,0094
Classificatore a stadi n°2
Precision 0,604 ± 0,0260 0,6448 ± 0,0497 0,6840 ± 0,0224 0,3135 ± 0,0057
Recall 0,2944 ± 0,0323 0,604 ± 0,0155 0,4646 ± 0,0415 0,889 ± 0,0164
Kappa 0,2213 ± 0,0159
Accuracy 0,4159 ± 0,0119
Classificatore a stadi n°3
Precision 0,6374 ± 0,0319 0,2874 ± 0,0064 0,6840 ± 0,0224 0,5869 ± 0,0334
Recall 0,2505 ± 0,0250 0,7631 ± 0,0177 0,4646 ± 0,0415 0,1587 ± 0,0292
Kappa 0,2123 ± 0,0132
Accuracy 0,4092 ± 0,009
A seconda di quale sia il Classificatore a stadi si hanno risultati diversi.
Nel caso dei primi due Classificatori a stadi si riesce ad ottenere una buona
discriminazione in termini di Precision sugli stage 1 e 2 ma quello corrispondente al REM
(stage 5) non è ben classificato. Al contrario, i valori di Recall sullo stage 5 sono molto
buoni.
I valori di K su tutti e tre in Classificatori a stadi sono comparabili tra di loro e sono indice
di una discreta concordanza tra i dati.
Quest’ultimo algoritmo rappresenta la classificazione migliore rispetto a tutte quelle
eseguite dato che è stata compiuta una classificazione a stadi proprio sulla base delle
performance degli algoritmi precedenti. La seconda Classificazione può essere considerata
quella più performante ed è quella che discrimina in successione NREM 3-4, NREM 1-2,
WAKE, REM.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 65
7. Conclusioni e sviluppi futuri
Osservando tutte le classificazioni si nota che le performance migliori sono ottenute con
l’uso di reti neurali: nonostante i Kappa di Cohen siano lievemente migliori nel caso di
discriminazione lineare non si può considerare la differenza sostanziale. Al contrario i
termini di Recall e Precision sono significativamente migliori con le reti neurali. Questo
suggerisce che con questa tecnica di classificazione si riescano ad intercettare delle
caratteristiche non lineari che al discriminante lineare sfuggono.
Dopo aver progettato 3 algoritmi di classificazione si è capito che non esiste un algoritmo
migliori di altri: le perfomance di ognuno sono buone sotto profili differenti. Nonostante
questo si è potuto individuare per ogni algoritmo quale sia la suddivisione tra stage da
effettuare al dataset per ottenere un miglior potere discriminante. A seconda dell’algoritmo
utilizzato quindi si è definito quale tipo di classificazione può essere effettuata e con quale
grado di prestazione. Al termine del lavoro si è potuto concludere che la migliore
classificazione avviene utilizzando il secondo tipo di classificazione a stadi.
Riguardo la valutazione delle perfomance tra le tecniche di generazione del dataset
(segmentazione e finestratura) si è notato che i valori degli indicatori rimangono
comparabili in tutti gli algoritmi e le tecniche di generazione delle features utilizzate. Sia
con il discriminante lineare che con le reti neurali non si è registrato un significativo
scostamento dei risultati; questo indica che la tecnica di segmentazione adattativa è una
strada percorribile per la stadiazione del sonno e le features generate non penalizzano la
qualità della classificazione. In linea di principio la segmentazione dovrebbe riprodurre
meglio le caratteristiche tempo varianti delle fasi del sonno; per questo motivo si pensa che
si possa proseguire con le tecniche di segmentazione dell’ECG provando a migliorare la
procedura presentata in questa tesi. Per esempio si potrebbero modificare i parametri
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 66
interni dell’algoritmo relativi al criterio di scelta della lunghezza della finestra N o quello
per l’impostazione della threshold 1 che ha creato molti problemi nell’impostazione del
problema dato che il valore del SEM ha delle oscillazioni infinitesime e difficili da
controllare visivamente. Inoltre si potrebbe rivedere il criterio di arresto delle iterazioni
sulla ricerca della soglia ottima che in questa tesi è stato imposto a 500 iterate massime
solo per ridurre il tempo macchina.
In alternativa si propone di fondare la segmentazione su un criterio diverso dal parametro
SEM proprio per via delle difficoltà nel controllarne l’andamento.
Dal punto di vista del classificatore si potrebbe provare ad affiancare all’utilizzo delle reti
neurali le tecniche di support vector machines vista la loro propensione a gestire problemi
di grande dimensione e la possibilità di compiere separazioni non-lineari.
Per quanto riguarda le features estratte e poi passate al classificatore si potrebbe cercare un
metodo alternativo a quello utilizzato per testare quale sia la migliore permutazione tra
features da passare al classificatore.
Oltre a questo si ricorda che la creazione del tracciato RR è stata effettuata impostando
manualmente la soglia per ogni tracciato e questo potrebbe aver generato degli errori che si
sono ripercossi lungo tutto lo svolgimento del lavoro. Si suggerisce per gli sviluppi futuri
l’utilizzo di un algoritmo di Pan-Tompkins a soglia adattativa.
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 67
8. Bibliografia
[1] –Rosenthal: “Physiology and neurochemistry of sleep”, American Journal of
Pharmaceutical Education, 62, 1998;
[2] – Sejnowski, Destexe: “Why do we sleep?”, Brain Research 883, 2000;
[3] – Leger: “The cost of sleep-related accidents: a report for the national commission on
sleep disorder research”Unité de Sommeil de l’Hôtel-Dieu, Paris, 1995;
[4] – Dinges: “An overview of sleepiness and accidents”, J Sleep Res, 1995;
[5] – Terman, Hocking: “The sleep of school children: its distribution according to age and
its relation to physical and mental efficiency”, J Educational Psychol, 1913;
[6] – Ferrara, De Gennaro: “How much sleep do we need?”, Sleep Medicine Review,
Vol.5, 2001;
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 68
[7] – Bianchi, Villantieri, Mendez: “Signal processing and feature extraction for sleep
evaluation in wearable devices”, Engineering in Medicine and Biology Society,
2006;
[8] – Scholz, Bianchi, Cerutti: “Monitoring of the vegetative background of sleep by
means of spectral analysis of heart rate variability”, Computers in Cardiology, 1993;
[9] – M. Kortaleinen, Mendez, Bianchi, Matteucci, Cerutti: “Sleep Staging Based on
Signals Acquired Throught Bed Sensor” IEE Transaction on Information Technology
in Biomedicine, Vol 14, n° 3, May 2010;
[10] –Rechtschaffen A. and Kales A. “A manual of standardized terminology, tecniques
and scoring system for sleep stages in human subject”. National Instututes of Health
Publications 1968;
[11] – Iber, Ancoli-Israel, Chesson, Quan: “The AASM manual for the scoring of sleep
and associated events: rules, terminology, and technical specifications”, 2007;
[12] – Pan and Tompkins: “A real-time QRS detection algorithm”, Biomedical
Engineering, IEEE Transaction on, 1985;
[13] – Electrophysiology,Task Force of the European Society of Cardiology the North
American Society of Pacing, "Heart Rate Variability : Standards of Measurement,
Physiological Interpretation, and Clinical Use," Circulation, March 01, 1996;
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 69
[14] – Berlad, Shlitner, Ben-Haim, Lavie: “Power Spectrum Analysis and Heart Rate
Variability in Stage 4 and REM Sleep: evidence for state specific changes in
autonomic dominance”, Journal of Sleep Research, 1993;
[15] – Toscani, Gangemi, Parigi, Silipo, Ragghinati, Sirabella, Morelli, Bagnoli,
Vergassola, Zaccara: “Human Heart Rate Variability and Sleep Stages”, The Italian
Journal of Neurological Sciences, 1996;
[16] – Xi Long, Fonseca, Haakma, Aarts, Foussier: “Time-Frequency Analysis of Heart
Rate Variability for Sleep and Wake Classification”, Preoceedings of the 2012 IEEE
12th
International Conference on Bioinformatics & Bioengineering, Cyprus 2012;
[17] – Devot, Dratwa, Naujokat: “Sleep/Wake detection on cardiorespiratory signals and
actigraphy”, 32nd
Annual International Conference of the IEEE EMBS, Buenos Aires
2010;
[18] – Méndez, Bianchi, Villantieri, Cerutti: “Time-varying Analysis of the Heart Rate
Variability during REM and Non REM Sleep Stage”, Proceedings of the 28th
IEEE
EMBS Annual International Conference, New Yotk City, 2006;
[19] – Tacchino, Mariani, Migliorini, Bianchi: “Optimization of Time-Variant
Autoregressive Models for Tracking REM – non REM Transitons During Sleep”,
34th
Annual Conference of ther IEEE EMBS San Diego, 2012;
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 70
[20] – Mariani, Grassi, Mendez, Milioli, Parrino, Terzano, Bianchi: “EEG Segmentation
for Improving Automatic CAP Detection”, Clinical Neurophysiology 124, 2013;
[21] – Bodenstein, Praetorius: “Feature Extraction from the Electroencephalogram by
Adaptive Segmentation”, Proceedings of the IEEE vol. 65, May 1977;
[22] –Kuna, Samuel, SafwanBadr, Kimoff, CleteKushida et al: “An Official
ATS/AASM/ACCP/ERS Workshop Report: Research Priorities in Ambulatory
Management of Adults with Obstructive Sleep Apnea”, Proceedings of the American
Thoracic Society 8, no. 1 (March 2011): 1–16. doi:10.1513/pats.2009-042WS;
[23] – Goldberger, Amaral, Glass, Hausdorff, Ivanov, et al and PhysioNet: Components of
a New Research Resource for Complex Physiologic Signals. Cicrculation 101 (23):
e215-e220;
[24] – Terzano, Parrino, Sherieri, Chervin, Chokroverty et al.: “Atlas, rules and recording
techniques for the scorinf of cyclig alternating pattern (CAP) in human sleep”, Sleep
Med;
[25] – St. Vincent’s University Hospital / University College Dublin Sleep Apnea
Database;
[26] – Mendez, Matteucci, Cerutti, Aletti, Bianchi: “Sleep Staging Classification Based on
HRV: Time-Variant Analysis”, 31st Annual International Confernce of the IEEE
EMB Minneapolis, 2009;
Valutazione comparativa tra metodi di segmentazione adattativa e finestratura a larghezza fissa
di un segnale ECG per migliorare la detezione delle fasi del sonno
Politecnico di Milano, Scuola di Ingegneria Industriale e dell’Informazione - 71
[27] –Peter Achermann: “EEG analysis applied to sleep”, Epieptologie, 2009;
[28] – Mitler, Carskadon, Czeisler, Dement,Dringes, et al: “Catastrophes, sleep, and public
policy: consensus report”. Sleep 1988;
[29] – http://sciencereview.berkeley.edu/article/perchance-to-dream/
[30] – http://sciblogs.co.nz/sleep-on-it/2011/03/23/measuring-sleep-the-
squiggles-explained-part-1/