is Íslenska en English

Lokaverkefni (Meistara)

Háskólinn í Reykjavík > Tæknisvið / School of Technology > MEd/MPM/MSc Verkfræðideild (áður Tækni- og verkfræðideild) og íþróttafræðideild -2019 / Department of Engineering (was Dep. of Science and Engineering) >

Vinsamlegast notið þetta auðkenni þegar þið vitnið til verksins eða tengið í það: http://hdl.handle.net/1946/42122

Titill: 
  • Titill er á ensku Minor effects of COVID-19 on objective sleep parameters : indications for changes in EEG morphology
Námsstig: 
  • Meistara
Útdráttur: 
  • It has been suggested that COVID-19 has a negative effect on sleep quality. Whether it is caused by COVID-19 infection or other pandemic related factors remains to be determined. Data from DeCODE's Icelandic Health Study offers an opportunity for such analysis where self applied sleep studies were conducted on 33 participants on two separate occasions and of those 14 contracted COVID-19 in between the occasions.
    The objectives were twofold, firstly to run traditional statistical analyses on sleep quality variables. The variables of interest included measures of total sleep time, sleep efficiency, rapid eye movement (REM) and deep sleep, arousal index, sleep latency and sleep apnea severity. Both parametric and non-parametric analyses were conducted.
    The secondary objectives were to extract features from 30 second signal epochs and train machine learning models to classify whether the features are from studies before or after COVID-19.
    The results of the paired t-tests, indicated significant difference in one variable: elevated mean saturation. However, a power analysis showed that the paired t-tests had insufficient power to detect the changes if present.
    The non-parametric test, aligned rank transform (ART) followed by analysis of variance (ANOVA), found no significant differences for the two studies in terms of any of the variables of interest. Therefore, it cannot be stated with any confidence that COVID-19 has negative effects on sleep quality from the tests performed.
    Three types of machine learning models, Decision Trees, Random Forest and Multilayer Perceptron, were trained on six different datasets depending on the sleep stage. The datasets consisted of five datasets with epochs from different sleep stages or wake (N1, N2, N3, REM and wake) and the whole dataset consisting of all epochs. The performance of the Random Forest classifier was consistently best for all datasets. The highest performance was achieved with the deep sleep (N3) dataset with performance metrics high enough to be consistently better than random guessing. These results might indicate changes in the morphology of EEG signals between the two studies especially when trained on epochs from deep sleep and should therefore warrant further investigation.

  • Útdráttur er á ensku

    Vísbendingar eru um að COVID-19 sýking hafi neikvæð áhrif á gæði svefns. Hvort þessi neikvæðu áhrif séu vegna COVID-19 sýkingar eða annarra COVID-19 faraldurs tengdra þátta er enn óljóst. Gögn frá Heilsurannsókn Íslenskrar Erfðagreiningar bjóða uppá tækifæri til að skoða þessi tengls nánar. Framkvæmdar voru sjálfuppsettar svefnmælingar á 33 einstaklingum í tvígang. Af þessum 33 einstaklingum fengu 14 af þeim COVID-19 á milli
    svefnmælinga.
    Markmið þessa verkefnis eru tvíþætt. Annars vegar að kanna með tölfræðiprófum hvort COVID-19 hafi áhrif á svefngæði með tilliti til svefn lengdar, skilvirkni svefns, draumsvefns (e. REM) og djúpsvefns, uppvaknana, erfiðleika við að festa svefn, súrefnismettunar- og
    hrotumælinga. Framkvæmd voru bæði stika- og stikalaus próf. Hinsvegar er markmiðið að nota mismunandi tegundir af vitvélum til að greina 30 sekúnda búta(e. epochs) af heilarafriti (e. electroencephalography). Merkjaeiginleikar heilarafrits voru dregnir út úr hverjum bút
    og nýttir til að þjálfa vitvélar í að þekkja hvort mælingin hafi verið gerð fyrir eða eftir COVID-19 sýkingu.
    Niðurstöður úr pöruðu t-prófi bentu til þess að ein breyta, meðal súrefnismettun, hafi hækkað milli mælinga með marktækum mun. Próf til að kanna tölfræðilegan styrk paraða t-prófsins var framkvæmt vegna smæðar gagnanna og kom þar í ljós vöntun á tölfræðilegum styrk til að merkja mun ef hann er til staðar. Stikalausa prófið sem framkvæmt var til viðbótar kallast fervikagreining á gögnum sem búið var að stilla með tilliti til háðu þáttanna(e. ART ANOVA). Niðurstöður úr fervikagreinungunum sýndu engan marktækan mun á neinum af breytunum sem prófaðar voru. Því var ekki hægt að draga neinar ályktanir um áhrif COVID19 á svefngæði út frá þessum niðurstöðum.
    Þrjár mismunandi gerðir af vitvélum voru þjálfaðar, ákvörðunartré (e. Decision Tree), slembiskógur (e. Random Forest) og marglaga tauganet(e. Multilayer Perceptron), á sex mismunandi gagnasettum. Gagnasettin samanstóðu af eiginleikum heilarafritsbúta úr fimm mismunandi svefnstigum (N1, N2, N3, REM og vaka) og einnig öllum bútum úr öllum
    svefnstigum saman. Vitvélin slembiskógur sýndi besta árangurinn með tilliti til allra gangasetta. Niðurstöðurnar bentu til þess að þjálfun á djúpsvefnsgagnasettinu (N3) hlaust besti árangurinn en árangurinn var nógu góður til að teljast betri en flokkun af handahófi. Það er
    því ljóst að vert er að gera frekari athugun á heilarafristgögnum í sambandi við breytingar á heilarafriti svefns eftir COVID-19 sýkingu.

Styrktaraðili: 
  • This work was financially supported by the European Union’s Horizon 2020 Research and Innovation Programme (grant 965417) and the Nordforsk (NordSleep project 90458) via the Icelandic Research Fund.
Samþykkt: 
  • 22.6.2022
URI: 
  • http://hdl.handle.net/1946/42122


Skrár
Skráarnafn Stærð AðgangurLýsingSkráartegund 
MScThesis_katrinh14_skil.pdf1.22 MBLokaður til...10.06.2023HeildartextiPDF
Katrín_Hera_Gústafsdóttir_lokun.pdf436.23 kBOpinnBeiðni um lokunPDFSkoða/Opna