Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

CESAR - Using Complex Event Processing for Low-threshold and Non-intrusive Sleep Apnea Monitoring at Home

Alternativ tittel: CESAR - Complex Event Processing for enkelt, rimelig og minimal invasiv søvnapnè-monitorering hjemme

Tildelt: kr 9,0 mill.

Cesar-prosjektet (2017-2021) startet med hypotesen om at lavpris-løsninger basert på smarttelefoner, wearables og maskinlæring (ML) kan bidra til å redusere antallet udiagnostiserte pasienter med søvnapné (SA) som for tiden er rundt 80%. Prosjektgruppen ved Ifi og OUS (Oslo universitetssykehus) kunne gjennom en klinisk studie gi sterke bevis for at hypotesen er riktig. For å oppnå dette måtte mange utfordringer løses i hele prosessen fra datainnsamling, kvantifisere kvaliteten på data fra wearables, for til slutt å lage ML-modeller som riktig kan klassifisere søvnovervåkingsdata med hensyn til SA-hendelser. Med støtte fra A3-studien ved OUS og St. Olavs Hospital kunne vi oppnå et stort gjennombrudd mot dette målet. Ved å bruke søvndataene som ble samlet inn i A3-studien fra 579 pasienter med polygrafi (PG), kunne vi vise at (1) ML-basert analyse kommer ganske nær resultatene fra søvneksperter, (2) omtrent 300 søvnopptak er nok til å trene moderne Deep Learning (DL) for å oppnå maksimal SA-deteksjonsytelse, og (3) forskjellige DL-tilnærminger oppnår nesten samme maksimale ytelse. Men en av dem, dvs Convolutional Neural Networks (CNN), overgår alle andre fordi CNN trenger mye mindre treningsdata for å oppnå maksimal ytelse og bruker mye mindre ressurser for trening og testing. Videre kunne vi vise at bare ved å bruke en i stedet for alle fire kanalene i PG, som et enkelt respirasjonsbelte, er det mulig å komme nær maksimal ytelse. Dette er gode nyheter for pasienter, fordi det å bruke en enkelt sensor er mye mer praktisk enn å bruke fire sensorer. De siste 47 A3-pasientene meldte seg frivillig til å bruke i tillegg til PG Flow-sensoren fra det norske selskapet SweetZpot, som er et enkelt åndedrettsbelte beregnet på idrettsutøvere til en kostnad av 2000 NOK. Dette tillot oss å analysere i hvilken grad strømningssensoren kan brukes til SA-deteksjon. Med DL oppnådde vi for Flow-data en nøyaktighet av SA-deteksjon nær 80% nøyaktighet, ved å bruke evaluering av PG-data av en søvnekspert som bunnsannheten. Til sammenligning oppnådde vi med DL for PG-data omtrent 90% nøyaktighet. Et annet viktig resultat er det faktum at for å trene en DL-modell for Flow-dataanalyse trenger vi ikke en stor mengde Flow-data, fordi vi kan bruke PG-dataene i stedet. Dette er veldig viktig for enhver fremtidig studie som undersøker en ny / forbedret sensor, fordi det ikke er nødvendig å samle inn store mengder data for hver ny sensor med den nye sensoren (som er veldig tungvint og dyrt). Potensielle forbedringer av Flow-sensoren og programvaren for datainnsamling er identifisert slik at fremtidige versjoner av denne sensoren skal føre til enda bedre resultater. Vår første undersøkelse av bruken av oksymeterdata fra nyere smartklokker for å støtte SA-deteksjonen er lovende, men krever mer arbeid for å konkludere med grundige vitenskapelige resultater. Tilgang til tilstrekkelig opplæringsdata når det gjelder mengde og kvalitet er sentral for ML, men spesielt vanskelig i det medisinske domenet, fordi medisinske eksperter trenger å merke dataene og kan gjøre feil og de fleste data ikke kan deles på grunn av personvernhensyn. For begge disse utfordringene har Cesar-prosjektet utviklet nye løsninger for å: (1) bedre lære og utføre med data som inneholder støyende etiketter, og (2) overføre kunnskap lært fra et privat datasett uten å avsløre informasjon som kan brukes til å identifisere et individ som bidro til det private datasettet.

More interdisciplinary research for the project members and 22 master students. Increased international visibility of the project members in the domain of machine learning (ML) for sleep medicine. Two follow-up research project proposals have been submitted. Low-cost sleep apnea (SA) detection at home with a respiration belt, a smartphone and ML is possible, which is very patient friendly and promises high compliance for longitudinal studies. The time it takes to diagnose SA patients and the number of undiagnosed SA patients can be substantially reduced. Large scale longitudinal sleep studies can be performed at substantially lower costs and lead to new insights in sleep medicine. Quality of life for SA patients will be improved. Costs in the health sector related to SA can be reduced. Introduction of new respiration belts for SA detection will be easier and more cost efficient. New business opportunities for sensor and app producers.

The project performs interdisciplinary research, with three partners from the medical domain and experts in the areas of Obstructive Sleep Apnea (OSA) and next generation of sensors for medical use; and two partners from computing with expertise in mobile systems, sensor data acquisition and processing, signal processing, data analysis, and event detection. The application requirements are determined by the medical experts that will also perform user studies. An extensible data acquisition system will be implemented with smart phones and sensors, like Shimmer motes and the Bitalino sensor set. This system will be used to collect longitudinal data from sleep monitoring at home and in the sleep laboratory (combined with classical polysomnography to annotate the ground truth). Supervised learning (data mining) techniques will be systematically studied for their use to automatically analyze longitudinal data for OSA detection. These studies will use data from the PhysioNet databases (early project phase), and later-on data that has been collected in user studies with the data acquisition system. Furthermore, we investigate the usefulness of supervised and unsupervised learning (data mining) techniques to identify interesting data patterns that might lead to new knowledge in OSA research and to support the design and engineering of the on-line analysis tool. The design of the on-line analysis tool is driven by the goal to enable individuals with limited computing skill to customize and personalize the on-line analysis. To achieve this goal, the following three principles will be strictly applied: use of a declarative approach with Complex Event Processing, using few powerful abstractions of physical and logical sensors, and a fine granular modularization implemented in sensor hierarchies. Furthermore, the team will build tools to quantify the quality of off-line and on-line data analysis results.

Budsjettformål:

IKTPLUSS-IKT og digital innovasjon