Caterina Calvi
Sviluppo di un’architettura Deep Learning dual-input per la classificazione automatica delle fasi del sonno da segnale PPG = Development of a Dual-Input Deep Learning Architecture for Automatic Sleep Stage Classification from PPG Signal.
Rel. Massimo Salvi, Silvia Seoni. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Biomedica, 2026
|
Preview |
PDF (Tesi_di_laurea)
- Tesi
Licenza: Creative Commons Attribution Non-commercial No Derivatives. Download (5MB) | Preview |
Abstract
Il sonno è un processo fisiologico fondamentale e la corretta classificazione delle sue fasi è essenziale per la diagnosi dei disturbi del sonno. Il riferimento diagnostico per lo sleep staging è la polisonnografia (PSG), esame basato sulla registrazione multimodale di segnali fisiologici in ambiente clinico, in cui l’elettroencefalogramma (EEG) rappresenta il principale riferimento per la determinazione degli stadi del sonno. Tuttavia, la PSG risulta onerosa, richiede personale specializzato e l’impiego di numerosi sensori che possono alterare le naturali condizioni di riposo; inoltre, lo scoring manuale dei tracciati EEG è soggetto a variabilità inter- e intra-operatore. Per superare tali limiti, la ricerca si è orientata verso l’utilizzo di segnali alternativi e l’automatizzazione del processo di classificazione.
Il segnale fotopletismografico (PPG) rappresenta un’alternativa promettente, in quanto acquisibile con dispositivi indossabili a ridotto impatto per il pazientie e potenzialmente utilizzabile in contesti extra-clinici
Relatori
Anno Accademico
Tipo di pubblicazione
Numero di pagine
Corso di laurea
Classe di laurea
URI
![]() |
Modifica (riservato agli operatori) |
