Min forskning: En ph.d. fortæller
Esben Høegholm Lykke
Projektet søgte at udvikle metoder og maskinlæringsmodeller til at estimere søvn i bevægelsesdata indsamlet med apparater båret på låret uden samtidig brug af søvndagbøger.
Hvad er titlen på din afhandling?
Accelerometri- og Temperaturbaserede Algoritmer til at Vurdere Søvnvaner blandt Danske Børn og Unge.
På hvilket institut og/eller i hvilken forskningsenhed har du skrevet din ph.d.?
Institut for Idræt og Biomekanik, Forskningsenheden Exercise Epidemiology.
Hvem var din hovedvejleder?
Lektor Jan Christian Brønd.
Hvilket spørgsmål ville du besvare med din afhandling?
Overordnet søgte projektet at udvikle metoder og maskinlæringsmodeller til at estimere søvn i bevægelsesdata indsamlet med apparater båret på låret uden samtidig brug af søvndagbøger. Til det undersøgtes både metoder til at klargøre bevægelsesdata til brug ved træning af maskinlæringsmodeller, og en række modeller blev vurderet i forhold til deres evne til at estimere søvnlængde og søvnkvalitet.
Følgende spørgsmål blev belyst:
Følgende spørgsmål blev belyst:
- Kan manuelle annotationer bruges som alternativ til at bestemme tid i sengen på lige fod med søvndagbøger eller et EEG-baseret søvnapparat?
- Hvilken metode er mest nøjagtig til at finde perioder, hvor bevægelsesapparatet ikke er båret, og kan målinger på hudtemperatur hjælpe?
- Kan en maskinlæringsmodel udvikles, som kan estimere tid i sengen samt søvn, hvorved søvnkvalitetsmål kan bestemmes uden brug af søvndagbøger?
Hvad fandt du ud af?
Visse udfordringer kan adresseres med omhyggelige valg, når data skal klargøres. Derudover præsenterer vi maskinlæringsmodeller, der kan estimere søvnlænge og søvnkvalitet på samme niveau eller bedre sammenlignet med eksisterende metoder og modeller. Dog er det fortsat vanskeligt præcist at opgøre mængden af vågen tid i sengen, hvilket er en udfordring, som er lignende studier har fundet på data indsamlet med apparater båret andre steder på kroppen.
Hvordan gjorde du det (metode)?
Enigheden mellem manuelle annotationer og søvndagbøger samt et EEG-apparat blev statistisk sammenlignet. Derefter udviklede vi maskinlæringsmodeller til at detektere tid, hvor bevægelsesapparaterne ikke er blevet båret og sammenlignede disse nye modeller med både simple og komplekse eksisterende metoder. Endeligt udviklede vi en række maskinlæringsmodeller til at bestemme tid i sengen og søvn og sammenlignede disse med søvnkvalitetsmål som bestemt ved et EEG-baseret søvnmålingsapparat.
Hvordan kan din forskning bruges (i klinikken, samfundet etc.)?
Denne afhandling bidrager til feltet som beskæftiger sig bevægelsesdata. Særligt med metodiske overvejelser og nyudviklede maskinlæringsmodeller med målet at beskrive søvn.
Hvornår forsvarer/forsvarede du din afhandling?
Forsvaret finder sted d. 18. december 2023.