Ανάπτυξη εφαρμογής Android για την παρακολούθηση και αναγνώριση προτύπων ύπνου (sleep patterns).

Abstract

Στόχος της παρούσας εργασίας είναι να δημιουργηθεί μια εφαρμογή αναγνώρισης σταδίων ύπνου με την χρήση της πλατφόρμας του android studio για κινητά τηλέφωνα (smartphone), όπου μέσω της εφαρμογής ο χρήστης θα συνδέεται ασύρματα με τον αισθητήρα, η εφαρμογή θα λαμβάνει τα δεδομένα που θα παρέχονται από τον αισθητήρα και με την κατάλληλη επεξεργασία σήματος θα εμφανίζεται στο τέλος της νύχτας ένα διάγραμμα το οποίο θα παρουσιάζει τα στάδια του ύπνου τα οποία έχει διανύσει ο χρήστης . Τα αναγνωρίσιμα στάδια ύπνου σύμφωνα με τους Rechtschaffen and Kales είναι ο ύπνος REM (Rapid Eye Movement) ταχείας κίνησης των ματιών και NREM (Non Rapid Eye Movement) μη ταχείας κίνησης των ματιών. Το πρώτο στάδιο αντιστοιχεί στο 20% - 25% της συνολικής διάρκειας του ύπνου, ενώ στο στάδιο NREM αντιστοιχεί το υπόλοιπο. Το στάδιο NREM διαιρείται σε 4 στάδια τα οποία θα παρουσιαστούν αναλυτικά σε επόμενα κεφάλαια. Τα στάδια του ύπνου (sleep stages) εναλλάσσονται περίπου κάθε 90 λεπτά. [1]. Για τις ανάγκες της πτυχιακής εργασίας κρίθηκε απαραίτητο να βρεθεί μια συσκευή η οποία θα μας παρέχει ελεύθερα δεδομένα σε πραγματικό χρόνο, καθώς από το smartphone δεν είναι δυνατό να παράγουμε αυτά τα δεδομένα. Η ανίχνευση των σταδίων ύπνου γίνεται με την χρήση βιοσημάτων τα οποία συλλέγονται με φορητές συσκευές από τον χρήστη. Μερικά από αυτά τα σήματα είναι η καρδιακή συχνότητα, η δραστηριότητα του σώματος, η αναπνευστική δραστηριότητα. Αυτά παράγονται από συσκευές που υπάρχουν στο εμπόριο και δεν χρειάζεται ιατρικός εξοπλισμός. Αποφασίσαμε για την παραγωγή των κατάλληλων σημάτων να χρησιμοποιήσουμε μία ζώνη η οποία μετράει την καρδιακή συχνότητα, Polar H7 [2]. Η παρούσα ζώνη μας παρέχει τα δεδομένα, τα οποία μεταφέρονται στην εφαρμογή με την χρήση της τεχνολογίας Bluetooth, ασύρματα σε πραγματικό χρόνο. Αυτό έχει ως αποτέλεσμα να μην επηρεάζεται η ποιότητα του ύπνου, όπως γίνεται με άλλες μεθόδους, οι οποίες παίρνουν τα απαραίτητα δεδομένα ενσύρματα, όπως παρουσιάζεται στην συνέχεια του άρθρου. Στην παρούσα αναφορά έγινε, επίσης, μια συστηματική μελέτη στην οποία παρουσιάζονται μη επεμβατικοί τρόποι παρακολούθησης του ύπνου, οι οποίοι έχουν κατηγοριοποιηθεί στις ακόλουθες κατηγορίες: • Ανάλυση ύπνου με περικάρπια. • Ανάλυση ύπνου με χρήση κάμερας. • Ανάλυση ύπνου με αισθητήρα ο οποίος τοποθετείται στο κομοδίνο. • Ανάλυση ύπνου με αισθητήρες κλίνης.

The thesis aims to develop a mobile application capable to identify sleep stages. This application was developed using Android Studio and can be installed on Android devices. During sleep the user wears a device that can capture heart rate, such as a wristband or smartwatch that is connected to the mobile. The application receives the date provided by that sensor, analyzes the data and creates a diagram showing the sleep stages that the user has gone through during sleep. According to Rechtschaffen and Kales, the sleep stages are classified as REM (Rapid Eye Movement) and NREM (Non Rapid Eye Movement) . The REM stage covers about 20%-25% of total sleep time, while NREM stage covers the remaining sleep time. NREM stage is divided into 4 sub-stages which are featured in the next chapters. Sleep stages are switched every 90 minutes. For the purposes of this thesis, finding a wearable device that will provide free data in real time was necessary because Android smartphones are not able to provide electrocardiography data. Sleep stages recognition is achieved using bio-signals which are collected by the user's handheld device. Such signals are heart rate, body and breathing activity. These signals are provided by common devices that can be bought easily, so using medical equipment is not necessary. For the validation of our implementation, a commercial belt that calculates heart rate (thePolar H7)was used. This belt provides ecg data that are transferred in real time and wirelessly to the application via Bleutooth. As a result the sleep quality is not affected, unlike common clinical practices which require wired connection and are discussed in this thesis. This thesis, also features a literature review in which invasive methods of sleep tracking are presented and divided into the following four categories: • Sleep analysis using bracelets (η wristlets) • Sleep analysis using camera • Sleep analysis using a sensor witch is placed on the nightstand • Sleep analysis using bed sensors