Pokročilé hodnocení kvality spánku

Abstract

Tato diplomová se zabývá pokročilým hodnocením kvality spánku pomocí hlubokého učení. Jsou zde popsány metriky pro hodnocení spánku a jejich využití. Pro klasifikaci jsou použity data tepové frekvence a akcelerometru pocházejících z chytrých hodinek Apple Watch. Základem pro klasifikaci byl model složený z 1D konvolučních sítí v kombinaci s rekurentní neuronovou sítí. Jako rekurentní sítě byly využity LSTM a GRU. Modely byly naučeny na klasifikaci do dvou, třech a pěti spánkových fází. V poslední řadě byly srovnány vzniklé metody.

This diploma thesis is focused on advanced sleep assessment using deep learning. Metrics for sleep assessment and their use are described here. There are hearth rate and accelerometer data from Apple Watch used for classification. The basis for the classification was a model composed of 1D convolution networks in combination with recurrent neural network. LSTM and GRU were used as recurrent networks. Models were taught to classify into two, three and five phases. At last the resulting methods are compared.