Semi-Supervised Approach For Sleep Scoring Using Wavelet Transformed EEG Data
(2025) BMEM01 20251Department of Biomedical Engineering
- Abstract
- Historically, sleep stage classification has relied on manual scoring performed by experienced professionals. In recent years, the emergence of machine learning has enabled the automation of this process, thus saving both time and resources. Many of these sleep staging models depend on data which already has been annotated by a professional, but a few try to exploit the vast amount of unlabelled data that is readily available. This project focuses on just that, to utilize unlabelled electroencephalography (EEG) data in conjunction with labelled data to create a machine learning model which is able to classify sleep stages. Our proposed model consist of three steps: pretraining, fine-tuning and classification. During pretraining, an... (More)
- Historically, sleep stage classification has relied on manual scoring performed by experienced professionals. In recent years, the emergence of machine learning has enabled the automation of this process, thus saving both time and resources. Many of these sleep staging models depend on data which already has been annotated by a professional, but a few try to exploit the vast amount of unlabelled data that is readily available. This project focuses on just that, to utilize unlabelled electroencephalography (EEG) data in conjunction with labelled data to create a machine learning model which is able to classify sleep stages. Our proposed model consist of three steps: pretraining, fine-tuning and classification. During pretraining, an autoencoder was trained on 450 unlabelled EEG recordings, provided by Kvikna, to learn general representation of the input signals through reconstruction. In the fine-tuning phase, the model shifted from reconstructing the signal to extracting meaningful features, using labelled data from Sleep-EDF to guide this transition. Lastly, a classifier was trained on top of those features to learn how to score sleep stages. The final model reached an accuracy of 81.2%, which is in line with the performance of experienced scorers based on previous studies. This shows that the model could realistically be used as a substitute for manual scoring, saving both time and resources, and with potential applications in both research and clinical settings. (Less)
- Popular Abstract (Swedish)
- Automatisk sömnklassificering med hjälp av artificiell intelligens.
Sömn är avgörande för vår hälsa, men att manuellt analysera sömn är både tidskrävande och kostsamt. Genom att använda artificiell intelligens har vi utvecklat en metod som automatiskt kan klassificera sömnstadier baserat på EEG-signaler, vilket kan effektivisera sömnanalys.
Människor spenderar ungefär en tredjedel av sina liv sovandes, vilket visar på sömnens otroligt viktiga roll för vår hälsa och vårt välmående. För att kunna diagnostisera och förstå sömnrelaterade hälsotillstånd är det därför viktigt att nog grant utvärdera sömnkvaliteten. Men innan sömnen kan utvärderas måste den först kvantifieras. Detta görs genom att dela in sömnen i ett flertal faser, så... (More) - Automatisk sömnklassificering med hjälp av artificiell intelligens.
Sömn är avgörande för vår hälsa, men att manuellt analysera sömn är både tidskrävande och kostsamt. Genom att använda artificiell intelligens har vi utvecklat en metod som automatiskt kan klassificera sömnstadier baserat på EEG-signaler, vilket kan effektivisera sömnanalys.
Människor spenderar ungefär en tredjedel av sina liv sovandes, vilket visar på sömnens otroligt viktiga roll för vår hälsa och vårt välmående. För att kunna diagnostisera och förstå sömnrelaterade hälsotillstånd är det därför viktigt att nog grant utvärdera sömnkvaliteten. Men innan sömnen kan utvärderas måste den först kvantifieras. Detta görs genom att dela in sömnen i ett flertal faser, så kallade sömnstadier. De flesta har säkert hört talas om REM sömn, vilket är det stadiet där man drömmer som mest, men det finns även andra stadier såsom lätt sömn och djup sömn. Traditionellt sett har denna indelning gjorts manuellt av experter baserat på olika mönster i kroppens elektriska aktivitet, men detta är både mycket tidskrävande och kräver specialistkunskaper. Vårt arbete presenterar en metod för att automatiskt klassificera dessa sömnstadier med hjälp av artificiell intelligens, vilket kan göra sömnanalysen både snabbare och mer tillgänglig. Metoden bygger på att använda hjärnans elektriska signaler, så kallade EEG-signaler, som indata till en AI-modell som först lär sig att förstå generella mönster i signalerna utan kunskap om vilket sömnstadium signalen hör till. Därefter finjusteras modellen med hjälp av data där sömnstadierna redan är kända, vilket gör att modellen kan bli bättre på att känna igen de olika stadierna. Till sist används modellen för att automatiskt klassificera sömnstadier. Resultatet är en algoritm som presterar nästan lika bra som mänskliga experter och kan hjälpa till att automatisera sömnklassificering. Denna teknik har potential att underlätta sömnstudier och förbättra diagnosen av sömnstörningar, vilket i förlängningen kan bidra till bättre hälsa och livskvalitet för många människor. (Less)
Please use this url to cite or link to this publication:
http://lup.lub.lu.se/student-papers/record/9205143
- author
- Gögelein, Oskar LU and Ahnlide, Albert LU
- supervisor
- organization
- course
- BMEM01 20251
- year
- 2025
- type
- H2 - Master's Degree (Two Years)
- subject
- keywords
- sleep stage classification, EEG, wavelet transform, signal processing, machine learning, autoencoder, semi-supervised learning, artificial intelligence, neural networks
- language
- English
- additional info
- 2025-15
- id
- 9205143
- date added to LUP
- 2025-06-30 12:18:06
- date last changed
- 2025-06-30 12:18:06
@misc{9205143,
abstract = {{Historically, sleep stage classification has relied on manual scoring performed by experienced professionals. In recent years, the emergence of machine learning has enabled the automation of this process, thus saving both time and resources. Many of these sleep staging models depend on data which already has been annotated by a professional, but a few try to exploit the vast amount of unlabelled data that is readily available. This project focuses on just that, to utilize unlabelled electroencephalography (EEG) data in conjunction with labelled data to create a machine learning model which is able to classify sleep stages. Our proposed model consist of three steps: pretraining, fine-tuning and classification. During pretraining, an autoencoder was trained on 450 unlabelled EEG recordings, provided by Kvikna, to learn general representation of the input signals through reconstruction. In the fine-tuning phase, the model shifted from reconstructing the signal to extracting meaningful features, using labelled data from Sleep-EDF to guide this transition. Lastly, a classifier was trained on top of those features to learn how to score sleep stages. The final model reached an accuracy of 81.2%, which is in line with the performance of experienced scorers based on previous studies. This shows that the model could realistically be used as a substitute for manual scoring, saving both time and resources, and with potential applications in both research and clinical settings.}},
author = {{Gögelein, Oskar and Ahnlide, Albert}},
language = {{eng}},
note = {{Student Paper}},
title = {{Semi-Supervised Approach For Sleep Scoring Using Wavelet Transformed EEG Data}},
year = {{2025}},
}