DOI QR코드

DOI QR Code

Sleep/Wake Dynamic Classifier based on Wearable Accelerometer Device Measurement

웨어러블 가속도 기기 측정에 의한 수면/비수면 동적 분류

  • Park, Jaihyun (Dept. of Electronic Engineering, Korea Univ.) ;
  • Kim, Daehun (Dept. of Electronic Engineering, Korea Univ.) ;
  • Ku, Bonhwa (Dept. of Visual Information Processing, Korea Univ.) ;
  • Ko, Hanseok (Dept. of Electronic Engineering, Korea Univ.)
  • 박재현 (고려대대학교 전기전자공학과) ;
  • 김대훈 (고려대대학교 전기전자공학과) ;
  • 구본화 (고려대학교 영상정보처리학과) ;
  • 고한석 (고려대대학교 전기전자공학과)
  • Received : 2014.01.27
  • Accepted : 2015.06.01
  • Published : 2015.06.25

Abstract

A sleep disorder is being recognized as one of the major health issues related to high levels of stress. At the same time, interests about quality of sleep are rapidly increasing. However, diagnosing sleep disorder is not a simple task because patients should undergo polysomnography test, which requires a long time and high cost. To solve this problem, an accelerometer embedded wrist-worn device is being considered as a simple and low cost solution. However, conventional methods determine a state of user to "sleep" or "wake" according to whether values of individual section's accelerometer data exceed a certain threshold or not. As a result, a high miss-classification rate is observed due to user's intermittent movements while sleeping and tiny movements while awake. In this paper, we propose a novel method that resolves the above problems by employing a dynamic classifier which evaluates a similarity between the neighboring data scores obtained from SVM classifier. A performance of the proposed method is evaluated using 50 data sets and its superiority is verified by achieving 88.9% accuracy, 88.9% sensitivity, and 88.5% specificity.

최근 현대인들의 스트레스 증가로 인하여 수면 장애에 대한 문제가 부각되면서 수면의 질에 대한 관심이 급증하고 있다. 이러한 수면 장애는 정밀한 진단을 위해서 긴 시간과 높은 비용을 요구하는 수면다원검사를 수행하여야 한다. 따라서 실생활에서 낮은 비용으로 손쉽게 수면의 효율을 측정하는 가속도 센서가 내장된 손목 착용형 장비가 활용 가능한 방안으로 부각되고 있다. 하지만 가속도 데이터를 이용한 기존의 수면/비수면 구간 분류 방식은 개별 시점의 가속도 값만을 이용해 수면/비수면 상태를 구분하기 때문에 수면 중 간헐적 움직임과 비수면 중 미세한 움직임이 발생한 구간에서 오분류율이 높은 약점이 있다. 본 논문에서는 분류과정에서 인근 시점간의 SVM 분류기 스코어의 유사성을 고려하는 동적 분류기를 이용함으로써 앞에서 언급한 문제에 효과적으로 대처할 수 있음을 보인다. 제안하는 알고리즘의 실생활 적용가능 여부 판단을 위하여 50개 데이터 세트에 대해 구간 구분을 수행하여 정확도 88.9%, 민감도 88.9%, 특이도 88.5%의 결과를 얻었다.

Keywords

References

  1. A. M. Bianchi and O. P. Villantieri et al, "Improving actigraph sleep/wake classification with cardio-respiratory signals", IEEE International Conference on Engineering in Medicine and Biology Society, pp. 3517-3520, New York, USA, August-September 2006.
  2. A. Sadeh and C. Acebo, "The role of actigraphy in sleep medicine", Sleep medicine reviews, Vol. 6, no. 2, pp. 113-124, May 2002. https://doi.org/10.1053/smrv.2001.0182
  3. R. J. Cole and D. F. Kripke et al, "Automatic Sleep/Wake Identification From Wrist Activity", Sleep, Vol. 15, no. 5, pp. 461-469, October 1992. https://doi.org/10.1093/sleep/15.5.461
  4. A. Sadeh and K. M. Sharkey et al, "Activity-based sleep-wake identification: an empirical test of methodological issues", Sleep, Vol. 17, no. 3, pp. 201-207, April 1994. https://doi.org/10.1093/sleep/17.3.201
  5. G. Jean-Louis and D. F. Kripke et al, "Sleep estimation from wrist movement quantified by different actigraphic modalities", Journal of Neuroscience Methods, Vol. 105, no. 2, pp. 185-191, February 2001. https://doi.org/10.1016/S0165-0270(00)00364-2
  6. W. Karlen and C. Mattiussi et al, "Improving actigraph sleep/wake classification with cardio-respiratory signals", IEEE International Conference on Engineering in Medicine and Biology Society, pp. 5262-5265, Vancouver, Canada, August 2008.
  7. A. H. Hokkanen and L. Hanninen et al, "Predicting sleep and lying time of calves with a support vector machine classifier using accelerometer data", Applied Animal Behaviour Science, Vol. 134, no. 1-2, pp. 10-15, October 2011. https://doi.org/10.1016/j.applanim.2011.06.016
  8. A. Y. Ng and M. I. Jordan et al, "On Spectral Clustering: Analysis and an algorithm", Advances in Neural Information Processing Systems, Vol. 14, pp. 849-856, 2001.
  9. S. Amari and S. Wu, "Improving support vector machine classifiers by modifying kernel functions", Neural Networks, Vol. 12, no. 6, pp. 783-789, July 1999. https://doi.org/10.1016/S0893-6080(99)00032-5
  10. W. Karlen and D. Floreano, "Adaptive Sleep-Wake Discrimination for Wearable Devices", IEEE Transactions on Biomedical Engineering, Vol. 58, no. 4, pp. 920-926, April 2011. https://doi.org/10.1109/TBME.2010.2097261