ΑΥΤΟΜΑΤΗ ΔΙΕΡΕΥΝΗΣΗ ΥΠΝΙΚΩΝ ΑΤΡΑΚΤΩΝ ΜΕ ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ: ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΠΑΡΑΜΕΤΡΩΝ ΑΝΙΧΝΕΥΣΗΣ

Transcript

1 ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ ΔΙΑΠΑΝΕΠΙΣΤΗΜΙΑΚΟ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΙΔΙΚΕΥΣΗ: ΠΛΗΡΟΦΟΡΙΚΗ ΥΓΕΙΑΣ ΑΥΤΟΜΑΤΗ ΔΙΕΡΕΥΝΗΣΗ ΥΠΝΙΚΩΝ ΑΤΡΑΚΤΩΝ ΜΕ ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ: ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΠΑΡΑΜΕΤΡΩΝ ΑΝΙΧΝΕΥΣΗΣ ΓΚΕΡΓΚΙ ΣΤΡΑΚΟΣΑ ΠΛΗΡΟΦΟΡΙΚΟΥ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΑΘΗΝΑ 2008

2 ΑΥΤΟΜΑΤΗ ΔΙΕΡΕΥΝΗΣΗ ΥΠΝΙΚΩΝ ΑΤΡΑΚΤΩΝ ΜΕ ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ: ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΠΑΡΑΜΕΤΡΩΝ ΑΝΙΧΝΕΥΣΗΣ

3 ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ ΔΙΑΠΑΝΕΠΙΣΤΗΜΙΑΚΟ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΙΔΙΚΕΥΣΗ: ΠΛΗΡΟΦΟΡΙΚΗ ΥΓΕΙΑΣ ΑΥΤΟΜΑΤΗ ΔΙΕΡΕΥΝΗΣΗ ΥΠΝΙΚΩΝ ΑΤΡΑΚΤΩΝ ΜΕ ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ: ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΠΑΡΑΜΕΤΡΩΝ ΑΝΙΧΝΕΥΣΗΣ ΓΚΕΡΓΚΙ ΣΤΡΑΚΟΣΑ ΠΛΗΡΟΦΟΡΙΚΟΥ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΑΘΗΝΑ 2008

4 ΕΞΕΤΑΣΤΙΚΗ ΕΠΙΤΡΟΠΗ ΚΑΘΗΓΗΤΗΣ Ι. ΜΑΝΤΑΣ (ΕΠΙΒΛΕΠΩΝ) ΚΑΘΗΓΗΤΗΣ Π. ΚΤΩΝΑΣ ΚΑΘΗΓΗΤΗΣ Ε. ΒΕΝΤΟΥΡΑΣ

5 Θα ήθελα να ευχαριστήσω θερμά τον κ. Ερρίκο Βεντούρα, καθηγητή του τμήματος Τεχνολογίας Ιατρικών Οργάνων στα Τ.Ε.Ι. Αθήνας, τον κ. Περικλή Κτώνα, καθηγητή του τμήματος Ηλεκτρολόγων Μηχανικών του Πανεπιστημίου του Χιούστον, την Χαρά Τσέκου, υποψήφια διδάκτωρ του Πανεπιστημίου Αθηνών, που ως ερευνητές του Εργαστηρίου Μελέτης Ύπνου της Ψυχιατρικής Κλινικής του Πανεπιστημίου Αθηνών, με βοήθησαν σε κάθε βήμα αυτής της εργασίας μέχρι την ολοκλήρωσή της. Επίσης θα ήθελα να ευχαριστήσω και τους συναδέλφους του τμήματός μου για την καλή τους παρέα!

6 ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ ΔΙΑΠΑΝΕΠΙΣΤΗΜΙΑΚΟ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΟΡΓΑΝΩΣΗ ΚΑΙ ΔΙΟΙΚΗΣΗ ΥΠΗΡΕΣΙΩΝ ΥΓΕΙΑΣ ΚΑΙ ΠΛΗΡΟΦΟΡΙΚΗ ΥΓΕΙΑΣ» ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΑΥΤΟΜΑΤΗ ΔΙΕΡΕΥΝΗΣΗ ΥΠΝΙΚΩΝ ΑΤΡΑΚΤΩΝ ΜΕ ΤΕΧΝΗΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ: ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΠΑΡΑΜΕΤΡΩΝ ΑΝΙΧΝΕΥΣΗΣ ΓΚΕΡΓΚΙ ΣΤΡΑΚΟΣΑ ΠΕΡΙΛΗΨΗ Κατά τη διάρκεια του ύπνου στο ηλεκτροεγκεφαλογράφημα του ανθρώπου παρουσιάζονται κάποιες χαρακτηριστικές κυματομορφές γνωστές ως άτρακτοι. Οι άτρακτοι είναι ταλαντώσεις έξαρσης και ύφεσης των Hz και διάρκειας τουλάχιστον 0.5 δευτερολέπτων. Έχουν χρησιμοποιηθεί για την ταξινόμηση του ύπνου, τη μελέτη της επίδρασης διάφορων φαρμάκων καθώς και τη μελέτη των διαταραχών του ύπνου και των βασικών του μηχανισμών, μεταξύ άλλων. Η οπτική αναγνώριση και μέτρηση των υπνικών ατράκτων σε μία ολονύκτια καταγραφή είναι μία κουραστική και χρονοβόρα εργασία. Επίσης, η οπτική ανάλυση ενέχει το ρίσκο της υποκειμενικής ερμηνείας των δεδομένων. Γι`αυτούς τους λόγους μία μέθοδος αυτόματης ανίχνευσης ατράκτων θα ήταν χρήσιμη. Σε αυτή την εργασία αναπτύχθηκε μία εφαρμογή λογισμικού για την αυτόματη ανίχνευση υπνικών ατράκτων που βασίζεται στη χρήση των τεχνητών νευρωνικών δικτύων. Η εφαρμογή δουλεύει σε περιβάλλον Ιστού και δίνει τη δυνατότητα για διαχείριση και ανάλυση των δεδομένων του ηλεκτροεγκεφαλογραφήματος ενός ατόμου, καθώς και για παρουσίαση των ανιχνευμένων ατράκτων και των πληροφοριών που σχετίζονται με αυτές, σε διάφορες μορφές. Το τεχνητό νευρωνικό δίκτυο εκπαιδεύτηκε χρησιμοποιώντας δεδομένα από τρία άτομα. Για την εύρεση των βέλτιστων παραμέτρων λειτουργίας του συγκρίθηκαν οι ενδείξεις ατράκτων που παράγονται από το σύστημα με τις ατράκτους που ανιχνεύθηκαν οπτικά από ειδικούς πάνω στα ίδια δεδομένα. Τα ποσοστά των ορθώς θετικών κυμαίνονται από 68.75% μέχρι 85.94% και των λάθος θετικών από 19.37% μέχρι 40.49%. Εφαρμόζοντας τις βέλτιστες τιμές των παραμέτρων, το ποσοστό των ορθώς θετικών είναι 75% και των λάθος θετικών 22.9%.

7 NATIONAL AND KAPODISTRIAN UNIVERSITY OF ATHENS FACULTY OF NURSING INTERUNIVERSITY POSTGRADUATE PROGRAM IN HEALTH CARE MANAGEMENT AND HEALTH CARE INFORMATICS MASTER THESIS AUTOMATIC DETECTION OF SPINDLES WITH ARTIFICIAL NEURAL NETWORKS: OPTIMIZATION OF DETECTION THRESHOLDS BY GJERGJI STRAKOSHA SUMMARY During sleep the human electroencephalogram (EEG) displays characteristic waveforms known as spindles. Spindles are waxing and waning oscillations of Hz and of at least 0.5 seconds duration. They have been used for the classification of sleep stages, the study of the effect of various drugs as well as the study of sleep disorders and sleep mechanisms, among other things. Visual recognition and counting of sleep spindles in an all night recording is a tedious and time consuming task. Also, visual analysis involves the risk of having subjectively interpreted data. For these reasons, a method of automatic spindle detection would be useful. In this thesis a software application was developed for the automatic detection of sleep spindles, which is based on the use of artificial neural networks. The application is Web-based and is capable of administering and analyzing EEG data as well as presenting the detected spindles and their related information in various formats. The artificial neural network was trained using EEG data from three individuals. In order to find the optimal detection thresholds, spindle indications that were detected from the system were compared to the visually detected spindles by experts on the same data. The rate of hits ranges from 68.75% to 85.94% and the false positive rate ranges from 19.37% to 40.49%. Applying the optimal values for the thresholds, the rate of the hits is 75% and the rate of the false positives is 22.9%.

8 ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ 1 ΕΙΣΑΓΩΓΗ Ύπνος Υπνικές άτρακτοι Ανίχνευση ατράκτων Τεχνητά νευρωνικά δίκτυα ΣΧΕΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΚΑΙ ΕΠΙΛΕΓΜΕΝΗ ΜΕΘΟΔΟΛΟΓΙΑ Προσέγγιση στην παρούσα εργασία Δομή του τεχνητού νευρωνικού δικτύου Οπτική ανίχνευση των ατράκτων Εκπαίδευση του ΤΝΔ Αλγόριθμος ανίχνευσης ατράκτων Φιλτράρισμα δεδομένων ΗΕΓ ΑΝΑΛΥΣΗ ΑΠΑΙΤΗΣΕΩΝ Λειτουργικές απαιτήσεις - Περιπτώσεις χρήσεων Εννοιολογικό μοντέλο Μη λειτουργικές απαιτήσεις Απόδοση Ασφάλεια Φιλικότητα χρήστη Συντήρηση και επέκταση της εφαρμογής ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΚΑΙ ΣΧΕΔΙΑΣΜΟΣ Το είδος της εφαρμογής Τα στρώματα της εφαρμογής Η αρχιτεκτονική της εφαρμογής Επιλογή γλώσσας προγραμματισμού Οργάνωση της λογικής της εφαρμογής Διαχείριση συναλλαγών Διεπαφή με άλλα πακέτα λογισμικού Πηγή δεδομένων - Διεπαφή με τη βάση δεδομένων Διεπαφή χρήστη Web εφαρμογή Λειτουργικότητα υποστηριζόμενη από το Matlab Φιλτράρισμα δεδομένων ΗΕΓ Ανίχνευση ατράκτων Θέματα απόδοσης ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΠΑΡΑΜΕΤΡΩΝ ΑΝΙΧΝΕΥΣΗΣ Σύγκριση παραμέτρων λειτουργίας του ΤΝΔ με χρήση όλων των διαθέσιμων δεδομένων Σύγκριση παραμέτρων λειτουργίας του ΤΝΔ εξαιρώντας τις εποχές που χρησιμοποιήθηκαν για εκπαίδευση ΟΔΗΓΙΕΣ ΕΓΚΑΤΑΣΤΑΣΗΣ Εγκατάσταση του λογισμικού υποδομής της εφαρμογής Εγκατάσταση της εφαρμογής Αυτόματη εγκατάσταση Χειροκίνητη εγκατάσταση ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΤΗ Απαιτήσεις συστήματος

9 7.2 Οδηγίες χρήσης Ανίχνευση ατράκτων (Spindles Detection) Εισαγωγή δεδομένων ΗΕΓ (Data Import) Παραμετροποίηση της εφαρμογής...70 ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΠΕΚΤΑΣΕΙΣ...73 ΒΙΒΛΙΟΓΡΑΦΙΑ...75 Άρθρα Πτυχιακές...75 Ιστοσελίδες...75 Βιβλία...76 ΠΑΡΑΡΤΗΜΑ

10 ΚΑΤΑΛΟΓΟΣ ΕΙΚΟΝΩΝ Εικόνα 1: Τα στάδια του ύπνου και οι αντίστοιχες κυματομορφές τους όπως εμφανίζονται σε ένα ΗΕΓ (NewScientist, 1990)....6 Εικόνα 2: Τα στάδια του ύπνου, η διάρκεια και η εναλλαγή τους (mydr, 2007)...7 Εικόνα 3: Παράδειγμα μιας καλά ορισμένης υπνικής ατράκτου. Πηγή: Ventouras et al. (2005)...8 Εικόνα 4: Ένα απλό νευρωνικό δίκτυο δύο επιπέδων με δύο εισόδους, δύο κρυφές μονάδες και μία μονάδα εξόδου. Πηγή (Russell & Norvig, 2002)...10 Εικόνα 5: Φιλτράρισμα ΗΕΓ με συχνότητες αποκοπής 10,5 16 Hz και 6 21 Hz. Στην έξοδο του νευρωνικού δικτύου, με κόκκινο φαίνονται τα αποτελέσματα για 10,5-16Hz και με μπλε τα αποτελέσματα για 6-21Hz...16 Εικόνα 6: Εννοιολογικό μοντέλο της εφαρμογής...23 Εικόνα 7: Αρχιτεκτονική της εφαρμογής...28 Εικόνα 8: Τα τμήματα της εφαρμογής και το περιβάλλον εκτέλεσής τους...30 Εικόνα 9: Η οργάνωση του κώδικα της εφαρμογής και οι εξαρτήσεις του...31 Εικόνα 10: Οι οντότητες και τα αντικείμενα τιμών της εφαρμογής...33 Εικόνα 11: Οι υπηρεσίες της εφαρμογής...34 Εικόνα 12: Χρόνοι αρχής και τέλους του profiling...39 Εικόνα 13: Profiling για την λειτουργία της εισαγωγής δεδομένων ΗΕΓ και ανίχνευσης ατράκτων...39 Εικόνα 14: Ενδεικτική χρόνοι εισαγωγής ΗΕΓ αρχείων στην εφαρμογή...40 Εικόνα 15: Αναλυτικά αποτελέσματα αξιολόγησης για Vt=0.9 και durationthreshold=0.3 sec...42 Εικόνα 16: Συγκεντρωτικά αποτελέσματα αξιολόγησης για durationthreshold=0.3 sec Εικόνα 17: Installer για το MATLAB Component Runtime...49 Εικόνα 18: Installer για το Java Runtime Environment...50 Εικόνα 19: Installer για τον Apache Tomcat...50 Εικόνα 20: Εργαλείο διαχείρισης του Tomcat από το taskbar...51 Εικόνα 21: Εργαλείο διαχείρισης του Tomcat από το taskbar...51 Εικόνα 22: To service του Tomcat...52 Εικόνα 23: Οθόνη διαχείρισης του Tomcat...52 Εικόνα 24: Οθόνη σύνδεσης με την εφαρμογή...55 Εικόνα 25: Η κεντρική οθόνη της εφαρμογής...56 Εικόνα 26: Οθόνη με τα στοιχεία ενός ατόμου και των «ύπνων» του...57 Εικόνα 27: Επιλογές μενού για όλα τα στοιχεία ενός ατόμου...57 Εικόνα 28: Πλαίσιο διαλόγου που προτρέπει τον χρήστη να σώσει το αρχείο με την πληροφορία των ατράκτων Εικόνα 29: Άνοιγμα του αρχείου spindles.tsv με το Excel...59 Εικόνα 30: Ενημέρωση του χρήστη για την τοποθεσία που σώθηκαν τα εξαγόμενα αρχεία...59 Εικόνα 31: Εξαγωγή μιας εποχής σε μορφή εικόνας PNG...61 Εικόνα 32: Αρχείο postscript όπως φαίνεται από τον Ghostscript Viewer Εικόνα 33: Οθόνη με τα στοιχεία ενός ύπνου και των χρονικών διαστημάτων που έγιναν εισαγωγή από το ΗΕΓ...62 Εικόνα 34: Οθόνη με πληροφορίες για ένα συγκεκριμένο διάστημα ύπνου με τις εποχές που αυτό περιλαμβάνει

11 Εικόνα 35: Οι άτρακτοι που έχουν εντοπιστεί σε ένα απόσπασμα ύπνου...64 Εικόνα 36: Οθόνη με πληροφορίες για την εποχή και τις εντοπισμένες ατράκτους της Εικόνα 37: Γραφική αναπαράσταση του ΗΕΓ μιας εποχής και των ατράκτων της...66 Εικόνα 38: Αρχείο κειμένου με τα ακατέργαστα δεδομένα μιας ατράκτου...67 Εικόνα 39: Οθόνη εισαγωγής δεδομένων και παρακολούθησης της διαδικασίας εισαγωγής...68 Εικόνα 40: Μήνυμα λάθους (λάθος όνομα καναλιού) κατά τη διαδικασία εισαγωγής δεδομένων...68 Εικόνα 41: Αρχείο με δεδομένα ΗΕΓ όπως παράγεται από το Micromed Brainquick...69 Εικόνα 42: Progress bar για την ενημέρωση του χρήστη για την πορεία της διαδικασίας εισαγωγής δεδομένων...70 Εικόνα 43: Οθόνη παραμετροποίησης της εφαρμογής...71 Εικόνα 44: Πλαίσιο διαλόγου που επιτρέπει τον υπολογισμό ατράκτων στα δεδομένα που έχουν ήδη φορτωθεί μέσω των καινούργιων κατωφλίων...72 ΚΑΤΑΛΟΓΟΣ ΠΙΝΑΚΩΝ Πίνακας 1-1: Οι τιμές των σταθερών Vt και durationthreshold...14 Πίνακας 1-2: Σύγκριση της απόδοσης του ΤΝΔ με διαφορετικές συχνότητες αποκοπής με Vt= Πίνακας 1-3: Ανάλυση αποτελεσμάτων αξιολόγησης χρησιμοποιώντας όλα τα διαθέσιμα δεδομένα...44 Πίνακας 1-4: Ανάλυση αποτελεσμάτων αξιολόγησης εξαιρώντας τις εποχές που χρησιμοποιήθηκαν για εκπαίδευση

12 1 ΕΙΣΑΓΩΓΗ Σε αυτή την εργασία θα περιγραφεί ο σχεδιασμός, η υλοποίηση και η αξιολόγηση ενός συστήματος λογισμικού για την αυτόματη ανίχνευση υπνικών ατράκτων με τη χρήση τεχνητών νευρωνικών δικτύων. Το σύστημα βασίζεται στη μεθοδολογία που περιγράφεται στη μελέτη Sleep spindle detection using artificial neural networks trained with filtered time-domain EEG: A feasibility study (Ventouras et al., 2005) και αποτελεί επέκταση της πτυχιακής εργασίας Αυτόματη διερεύνηση υπνικών ατράκτων με τεχνητά νευρωνικά δίκτυα και κλινικές εφαρμογές (Καθαράκης, 2004). Ο προσδιορισμός των απαιτήσεων του συστήματος έγινε με τη βοήθεια των ερευνητών του Εργαστηρίου Μελέτης Ύπνου της Ψυχιατρικής Κλινικής του Αιγινήτειου Νοσοκομείου, οι οποίοι παρείχαν και τα δεδομένα που χρησιμοποιήθηκαν για την ανάπτυξη και τη δοκιμή του συστήματος. Η κύρια συνεισφορά αυτής της εργασίας είναι: Η ανάπτυξη ενός συστήματος λογισμικού που μπορεί να χρησιμοποιηθεί από τους τελικούς του χρήστες με ελάχιστες απαιτήσεις σε υλικό και λογισμικό, αλλά και επίπεδο γνώσεων πέρα από τον τομέα τους Η χρήση δεδομένων από τρία άτομα για την εκπαίδευση και τη δοκιμή του τεχνητού νευρωνικού δικτύου, που αποτελεί και τον πυρήνα του συστήματος Η δομή της εργασίας έχει ως εξής: Στο πρώτο κεφάλαιο περιγράφονται οι βασικές έννοιες στις οποίες βασίζεται η εργασία και σε τι μπορεί αυτή να χρησιμεύσει. Στο δεύτερο κεφάλαιο γίνεται μια αναφορά στις σχετικές εργασίες και τις μεθοδολογίες που ακολουθούν και περιγράφεται αναλυτικά η μεθοδολογία που ακολουθείται σε αυτή την εργασία. Στο τρίτο κεφάλαιο δίνονται οι προδιαγραφές με βάση τις οποίες σχεδιάστηκε και υλοποιήθηκε η εφαρμογή, δηλαδή τα χαρακτηριστικά της εφαρμογής. Στο τέταρτο κεφάλαιο περιγράφεται ο σχεδιασμός της εφαρμογής, δηλαδή τι λύσεις επιλέχτηκαν και γιατί για κάθε τμήμα της εφαρμογής. Στο πέμπτο κεφάλαιο περιγράφεται η αξιολόγηση της αποτελεσματικότητας του συστήματος και πως επιλέχτηκαν οι βέλτιστες παράμετροι για τη λειτουργία του συστήματος. Στο έκτο κεφάλαιο δίνονται οι οδηγίες εγκατάστασης της εφαρμογής και τέλος στο έβδομο κεφάλαιο περιλαμβάνεται το εγχειρίδιο χρήστη της εφαρμογής. 1.1 Ύπνος Σύμφωνα με έναν απλό ορισμό που βασίζεται στη συμπεριφορά, ύπνος είναι μία αναστρέψιμη κατάσταση όπου παρατηρείται απώλεια της αντίληψης και μη ανταπόκριση σε ερεθίσματα του περιβάλλοντος (Kryger, Roth & Dement, 2008). Για τη μελέτη του ύπνου ένας από τους τρόπους που χρησιμοποιείται είναι το ηλεκτροεγκεφαλογράφημα (ΗΕΓ) (electroencephalogram EEG). Το ΗΕΓ είναι η μέτρηση της ηλεκτρικής δραστηριότητας που παράγεται από τον εγκέφαλο όπως αυτή καταγράφεται από ηλεκτρόδια που τοποθετούνται στο δέρμα της κεφαλής

13 Στον ύπνο έχουν οριστεί δύο διαφορετικές καταστάσεις με βάση παραμέτρους της φυσιολογίας (Kryger, Roth & Dement, 2008): NREM (non rapid eye movement φάση των μη γρήγορων κινήσεων των ματιών) ύπνος: Αποτελείται από τέσσερα στάδια που ορίζονται από το ΗΕΓ. Το ΗΕΓ περιέχει χαρακτηριστικές κυματομορφές όπως υπνικές ατράκτους (sleep spindles), συμπλέγματα K (K complexes) και αργά κύματα υψηλής τάσης. Τα τέσσερα στάδια του NREM ύπνου είναι σχετικά αντίστοιχα με το πόσο βαθύς είναι ο ύπνος, αφού το κατώφλι ξυπνήματος είναι χαμηλότερο στο στάδιο 1 και υψηλότερο στο στάδιο 4. Ο ύπνος NREM μπορεί να οριστεί ως ένας σχετικά ανενεργός εγκέφαλος σε ένα κινούμενο σώμα. REM (rapid eye movement φάση των γρήγορων κινήσεων των ματιών) ύπνος: Χαρακτηρίζεται από ενεργοποίηση του ΗΕΓ, μυϊκή ατονία και διαστήματα γρήγορων κινήσεων των ματιών. Η πνευματική δραστηριότητα του ύπνου REM συνδέεται με τα όνειρα. Ο ύπνος REM μπορεί να οριστεί ως ένας υψηλά ενεργοποιημένος εγκέφαλος σε ένα παράλυτο σώμα. Εικόνα 1: Τα στάδια του ύπνου και οι αντίστοιχες κυματομορφές τους όπως εμφανίζονται σε ένα ΗΕΓ (NewScientist, 1990). Κάποιες γενικεύσεις για τον ύπνο σε έναν φυσιολογικό νέο ενήλικα είναι οι εξής (Kryger, Roth & Dement, 2008): Ο ύπνος ξεκινάει μέσω του NREM. Ο ύπνος NREM και REM εναλλάσσονται ανά 90 λεπτά περίπου

14 Ο ύπνος αργών κυμάτων (στάδια 3 και 4 του NREM) κυριαρχεί στο πρώτο τρίτο της νύχτας και συνδέεται με την αρχή του ύπνου. Ο ύπνος REM κυριαρχεί στο τελευταίο τρίτο της νύχτας και συνδέεται με τον ημερήσιο κύκλο της θερμοκρασίας του σώματος Το ξύπνημα κατά τη διάρκεια του ύπνου αποτελεί συνήθως λιγότερο από το 5% της νύχτας. Το στάδιο 1 αποτελεί περίπου το 2 με 5% του ύπνου. Το στάδιο 2 αποτελεί το 45 με το 55% του ύπνου. Το στάδιο 3 του ύπνου γενικά αποτελεί το 3 με 8% του ύπνου. Το στάδιο 4 του ύπνου γενικά αποτελεί περίπου το 10 με 15% του ύπνου. Ο ύπνος REM είναι συνήθως 20 με 25% του ύπνου και συμβαίνει σε τέσσερα με έξι διακριτά επεισόδια. Εικόνα 2: Τα στάδια του ύπνου, η διάρκεια και η εναλλαγή τους (mydr, 2007) 1.2 Υπνικές άτρακτοι Οι υπνικές άτρακτοι παράγονται από τη σύγχρονη ταλάντωση των θαλαμικών νευρώνων και διανέμονται στο φλοιό από θαλαμοφλοιώδεις νευρίτες (Steriade, 2006). Η τάση τους παράγει ένα σήμα που μπορεί να ανιχνευθεί μέσω του ΗΕΓ. Αυτή η δραστηριότητα παράγεται ως αποτέλεσμα των εγγενών ιδιοτήτων της μεμβράνης των νευρώνων και των συναπτικών τους αλληλεπιδράσεων. Η εμφάνιση των ατράκτων σημαδεύει τη μετάβαση από το ξύπνημα, με τα χαμηλής τάσης/υψηλής συχνότητας κύματα, σε ύπνο αργών κυμάτων, με τα υψηλής τάσης/χαμηλής συχνότητας κύματα. Οι άτρακτοι παίρνουν το όνομά τους από το περίβλημα έξαρσης και ύφεσης που περιστοιχίζει τη μορφή τους. Περιγράφηκαν - 7 -

15 πρώτη φορά στο (Loomis et al., 1935) και ο πρώτος κοινά αποδεκτός ορισμός τους δόθηκε στο (Rechtschaffen and Kales, 1968), όπου ορίζονται ως ταλαντώσεις έξαρσης και ύφεσης των Hz και διάρκειας τουλάχιστον 0.5 δευτερολέπτων. Τα φασματικό εύρος των ατράκτων εκτείνεται και κάτω από τα 12 Hz και πάνω από τα 14 Hz, τα δε όρια που προτείνονται στην βιβλιογραφία κυμαίνονται, π.χ. από 12 ως 15 Hz (Steriade, 2003; Dijk, 1995; Knoblauch et al., 2003). Οι άτρακτοι ομαδοποιούνται σε ακολουθίες που διαρκούν 0.5 με 3 δευτερόλεπτα και συμβαίνουν κάθε 3 με 10 δευτερόλεπτα (Knoblauch, 2004). Τα κύρια χαρακτηριστικά τους είναι τα εξής (Ventouras et al., 2005): Παρουσιάζονται κυρίως στα στάδια 2 4, αλλά χαρακτηρίζουν κυρίως το στάδιο 2. Η συχνότητά τους είναι Hz, αλλά μπορεί να επεκταθεί από τα 11 Hz έως τα 16 Hz. Η ένταση είναι μεταβλητή, αλλά συνήθως είναι κάτω από 50 μv σε έναν ενήλικα. Εικόνα 3: Παράδειγμα μιας καλά ορισμένης υπνικής ατράκτου. Πηγή: Ventouras et al. (2005) Σύμφωνα με τον Steriade ο κύριος ρόλος των ατράκτων πιστεύεται ότι είναι η παρεμπόδιση της λειτουργίας του θαλάμου όταν κοιμόμαστε, αφού ο θάλαμος είναι ένας ενδιάμεσος αισθητήριος σταθμός για τη μετάδοση της πληροφορίας από το περιβάλλον στο φλοιό (Steriade, 2006). Γενικά πάντως οι υπνικές άτρακτοι έχουν χρησιμοποιηθεί για (Ventouras et al., 2005): Την ταξινόμηση των σταδίων του ύπνου, επειδή η παρουσία τους αποτελεί μία από τις καθοριστικές παραμέτρους του σταδίου 2 του ύπνου Την ποσοτικοποίηση με μη επεμβατικό τρόπο της επίδρασης διάφορων φαρμάκων στη φυσιολογία του ύπνου, εξαιτίας της μειωμένης διαφοροποίησης από νύχτα σε νύχτα στην πυκνότητα των ατράκτων ανά νύχτα σε ένα άτομο Την μελέτη της κατάθλιψης, των διαταραχών του ύπνου, της νοητικής καθυστέρησης και της σχιζοφρένειας, βάση της ποσοτικής τους ανάλυσης - 8 -

16 Την μελέτη των θεμελιωδών μηχανισμών του ύπνου, με βάση λεπτομερή πρότυπα εμφάνισης υπνικών ατράκτων 1.3 Ανίχνευση ατράκτων Η οπτική αναγνώριση και μέτρηση των υπνικών ατράκτων σε μία ολονύκτια καταγραφή είναι μία κουραστική και χρονοβόρα εργασία. Επίσης, η οπτική ανάλυση ενέχει το ρίσκο της υποκειμενικής ερμηνείας των δεδομένων. Γι`αυτούς τους λόγους η ανάπτυξη μίας διαδικασίας αυτόματης ανίχνευσης ατράκτων αποτελεί ένα ενεργό θέμα στην επεξεργασία βιοσήματος. Ωστόσο, υπάρχουν προβλήματα που σχετίζονται με την μίμηση ενός ειδικού σε ένα αυτόματο σύστημα ανίχνευσης ατράκτων. Ο ορισμός των ατράκτων δεν είναι αυστηρός. Αυτό έχει ως αποτέλεσμα, τα κριτήρια οπτικής ανίχνευσης που αναφέρονται στη βιβλιογραφία να μην είναι ομοιόμορφα και μερικά από αυτά δεν μπορούν να ποσοτικοποιηθούν εύκολα. Ένας άλλος παράγοντας είναι οι διαφορές στην αναγνώριση ατράκτων μεταξύ των ειδικών, αλλά και μεταξύ του ίδιου ατόμου σε διαφορετικές χρονικές στιγμές (π.χ. μετά από μία εβδομάδα). Οπότε, δεν υπάρχει κάποιο στάνταρ για την μέτρηση της αποτελεσματικότητας ενός αυτόματου συστήματος (Ventouras et al., 2005). Παρόλο τους περιορισμούς που αναφέρθηκαν έχουν προταθεί διάφορες προσεγγίσεις για την ανάπτυξη αυτόματων συστημάτων ανίχνευσης ατράκτων, που θα αναλυθούν στο επόμενο κεφάλαιο. 1.4 Τεχνητά νευρωνικά δίκτυα Πριν περιγραφεί η προσέγγιση που ακολουθείται στην παρούσα εργασία, δηλαδή η χρήση τεχνητών νευρωνικών δικτύων, θα δοθούν κάποιοι ορισμοί για την καλύτερη κατανόησή της. Ένα τεχνητό νευρωνικό δίκτυο μπορεί να θεωρηθεί ως μίας μέθοδος αναπαράστασης συναρτήσεων με τη χρήση δικτύων απλών αριθμητικών υπολογιστικών στοιχείων και ένα σύνολο μεθόδων για την εκμάθηση αυτών των αναπαραστάσεων από παραδείγματα. Τέτοιες αναπαραστάσεις είναι ιδιαίτερα χρήσιμες για πολύπλοκες συναρτήσεις που παράγουν συνεχείς τιμές στις εξόδους τους και λαμβάνουν πολλές φορές εισόδους με θόρυβο. Από μία βιολογική σκοπιά τα νευρωνικά δίκτυα αποτελούν ένα μαθηματικό μοντέλο για την λειτουργία του εγκεφάλου. Τα απλά αριθμητικά υπολογιστικά στοιχεία αντιστοιχούν στους νευρώνες τα κύτταρα που ασχολούνται με την επεξεργασία πληροφοριών στον εγκέφαλο και το δίκτυο αντιστοιχεί σε ένα σύνολο διασυνδεδεμένων νευρώνων. Ένα νευρωνικό δίκτυο αποτελείται από έναν αριθμό κόμβων, ή μονάδων, που συνδέονται μέσω συνδέσμων. Κάθε σύνδεσμος έχει ένα αριθμητικό βάρος που συνδέεται με αυτό. Τα βάρη είναι το κύριο μέσο αποθήκευσης στα νευρωνικά δίκτυα και η εκμάθηση (εκπαίδευση) γίνεται ενημερώνοντας αυτά τα βάρη. Μερικές από τις μονάδες συνδέονται με το εξωτερικό περιβάλλον και μπορούν να οριστούν ως μονάδες εισόδου ή εξόδου. Τα βάρη τροποποιούνται ώστε η συμπεριφορά των - 9 -

17 εισόδων/εξόδων του δικτύου να έρθει πιο κοντά με το περιβάλλον που παρέχει τις εισόδους. Κάθε μονάδα έχει ένα σύνολο συνδέσμων εισόδου από άλλες μονάδες, ένα σύνολο συνδέσμων εξόδου προς άλλες μονάδες, ένα τρέχον επίπεδο ενεργοποίησης και ένα μέσο υπολογισμού του επιπέδου ενεργοποίησης στο επόμενο βήμα στο χρόνο, δοθέντος τις εισόδους και τα βάρη του. Το σκεπτικό είναι ότι κάθε μονάδα κάνει έναν τοπικό υπολογισμό με βάση τις εισόδους από τις γειτονικές μονάδες, αλλά χωρίς την ανάγκη καθολικού ελέγχου πάνω στο σύνολο των μονάδων. Για να κατασκευαστεί ένα νευρωνικό δίκτυο για την εκτέλεση κάποιας εργασίας, θα πρέπει πρώτα να αποφασιστεί πόσες μονάδες θα χρησιμοποιηθούν, τι είδους μονάδες είναι κατάλληλες και πως οι μονάδες θα συνδεθούν για να σχηματίσουν ένα δίκτυο. Στη συνέχεια αρχικοποιούνται τα βάρη του δικτύου και τα βάρη εκπαιδεύονται χρησιμοποιώντας έναν αλγόριθμο εκπαίδευσης που εφαρμόζεται σε ένα σύνολο εκπαιδευτικών παραδειγμάτων για την εργασία αυτή. Η χρήση παραδειγμάτων προϋποθέτει ότι πρέπει να αποφασιστεί πως θα κωδικοποιηθούν τα παραδείγματα ως είσοδοι και έξοδοι του δικτύου (Russell & Norvig, 2002). Εικόνα 4: Ένα απλό νευρωνικό δίκτυο δύο επιπέδων με δύο εισόδους, δύο κρυφές μονάδες και μία μονάδα εξόδου. Πηγή (Russell & Norvig, 2002)

18 2 ΣΧΕΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΚΑΙ ΕΠΙΛΕΓΜΕΝΗ ΜΕΘΟΔΟΛΟΓΙΑ Μερικές από τις μεθόδους που έχουν αναπτυχθεί για την αυτόματη ανίχνευση ατράκτων είναι οι εξής (Ventouras et al., 2005): Μεθοδολογίες που βασίζονται στην τεχνική της ανάλυσης περιόδου έντασης (period amplitude analysis), αφού αυτή η τεχνική μιμείται την οπτική ανάλυση. Η μέθοδος στηρίζεται στον χαρακτηρισμό ξεχωριστών μισών ή ολόκληρων κυμάτων των δεδομένων ΗΕΓ, ένα τη φορά, εκτιμώντας ηλεκτρογραφικές παραμέτρους όπως είναι η ένταση και η διάρκεια. Ο εκτιμητής της περιόδου και της έντασης ακολουθείται από έναν ανιχνευτή προτύπων, ο οποίος ελέγχει συνεχή χαρακτηριστικά κυμάτων και υλοποιεί κανόνες για τον προσδιορισμό της αρχής και του τέλους της ατράκτου. Εφαρμογή της τεχνικής της αντιστοίχισης φιλτραρίσματος (matched filtering). Βασίζεται στη σύγκριση μεταξύ του σήματος ΗΕΓ εισόδου και ενός προκαθορισμένου προτύπου, το οποίο είναι η χρονικά-αντίστροφη κρουστική απόκριση του αντιστοιχισμένου φίλτρου. Τεχνικές μιγαδικής αποδιαμόρφωσης (demodulation) ή συστήματα βρόχου κλειδώματος φάσης (phase-locked loop). Τεχνικές που στηρίζονται στη φασματική ανάλυση, λόγω της ευκολίας της εφαρμογής του γρήγορου μετασχηματισμού Fourier σε ψηφιακά δεδομένα. Τέτοιες τεχνικές είναι ο μετασχηματισμός κυματιδίων (wavelet transform) και ο αλγόριθμος matching pursuit, ο οποίος μπορεί να θεωρηθεί σαν μία γενίκευση του μετασχηματισμού κυματιδίων. Σε αυτόν, το σήμα ΗΕΓ αναλύεται σε κυματομορφές, οι οποίες επιλέγονται από ένα εκτεταμένο σύνολο βασικών συναρτήσεων Gabor, Dirac και Fourier, παρέχοντας υψηλότερη ευελιξία στον προσδιορισμό και την παραμετροποίηση του σήματος, σε σύγκριση με τις εκτιμήσεις που βασίζονται στον Fourier ή στα κυματίδια. Φασματικά χαρακτηριστικά έχουν χρησιμοποιηθεί επίσης ως είσοδοι σε ένα σύστημα ανίχνευσης ατράκτων που χρησιμοποιεί ασαφή λογική. Τεχνικές ομαδοποίησης (clustering) για την ημι-αυτόματη ανίχνευση ατράκτων. Τμήματα ΗΕΓ που έχουν περάσει από ένα ζωνοπερατό φίλτρο (bandpass filter) ομαδοποιούνται με βάση χαρακτηριστικά που σχετίζονται με ατράκτους και είναι παρούσα σε κάθε τμήμα, ώστε να ανιχνευτούν τα τμήματα που περιέχουν με τη μεγαλύτερη πιθανότητα υποψήφιες ατράκτους. Συστήματα που βασίζονται σε τεχνητά νευρωνικά δίκτυα (artificial neural networks). Σε αυτά τα συστήματα, η βασική προσέγγιση είναι η εξαγωγή ενός κατάλληλα μειωμένου διανύσματος χαρακτηριστικών από το ΗΕΓ. Στη συνέχεια, ένα αντιπροσωπευτικό σύνολο διανυσμάτων χαρακτηριστικών χρησιμοποιείται για την εκπαίδευση του ΤΝΔ

19 2.1 Προσέγγιση στην παρούσα εργασία Στην παρούσα εργασία, όπως αναφέρθηκε, αναπτύχθηκε ένα σύστημα που βασίζεται στη μεθοδολογία που περιγράφηκε στο (Ventouras et al., 2005), η οποία και θα αναλυθεί στη συνέχεια. Η προσέγγιση βασίζεται στα ΤΝΔ. Η αναπαράσταση στο πεδίο του χρόνου του φιλτραρισμένου με ένα ζωνοπερατό φίλτρο ΗΕΓ χρησιμοποιήθηκε ως είσοδος σε ένα ευθείας τροφοδότησης ΤΝΔ (feedforward ANN), χωρίς περαιτέρω εξαγωγή χαρακτηριστικών. Εκπαιδεύοντας το δίκτυο με χαρακτηριστικά παραδείγματα φιλτραρισμένων τμημάτων ΗΕΓ, αναμένεται το δίκτυο να υλοποιήσει μία συνάρτηση του φιλτραρισμένου ΗΕΓ προς την τάξη προτύπων που θα παρέχει αποδεκτά αποτελέσματα κατηγοριοποίησης, προσπερνώντας το στάδιο της επιλογής χαρακτηριστικών και η χρονική διακριτική ικανότητα του συστήματος ανίχνευσης να είναι συγκρίσιμη με αυτή της οπτικής αναγνώρισης, επιτρέποντας έτσι ακριβή αυτόματη ποσοτικοποίηση της δυναμικής των εμφανίσεων των υπνικών ατράκτων Δομή του τεχνητού νευρωνικού δικτύου Το ΤΝΔ που χρησιμοποιήθηκε για την αυτόματη ανίχνευση ατράκτων είναι ένα δίκτυο ευθείας τροφοδότησης τύπου Perceptron πολλών επιπέδων. Για την εκπαίδευση χρησιμοποιήθηκε ο αλγόριθμος backpropagation. Οι νευρώνες του δικτύου έχουν μία σιγμοειδή συνάρτηση μεταφοράς f: 1 f ( u) = log sig( u) 1+ e u Η είσοδος για το ΤΝΔ παράχθηκε από το σήμα ΗΕΓ, στο οποίο έγινε δειγματοληψία στα 256 και 512Hz και στη συνέχεια φιλτραρίστηκε με τη χρήση ενός ζωνοπερατού φίλτρου (Finite Impulse Response filter FIR) 128 συντελεστών, με συχνότητες αποκοπής των 3db στα 10.5 και 16 Hz. Το ΗΕΓ χωρίστηκε σε τμήματα των 16 δευτερολέπτων, που ονομάζονται εποχές. Κάθε εποχή φιλτραρίστηκε ξεχωριστά, λαμβάνοντας υπόψη την καθυστέρηση χρόνου εξαιτίας του φιλτραρίσματος FIR. Στο φιλτραρισμένο ΗΕΓ εφαρμόστηκε υποδειγματοληψία για να μειωθεί ο όγκος των δεδομένων που πρέπει να αναλυθούν. Ο παράγοντας υποδειγματοληψίας είναι: subsampling_factor = sampling_rate/256 Το ΤΝΔ επεξεργάζεται στο επίπεδο εισόδου του ένα παράθυρο 0.5 δευτερολέπτων φιλτραρισμένου ΗΕΓ. Κάθε δείγμα στο παράθυρο εισόδου εκχωρείται σε έναν νευρώνα του επιπέδου εισόδου. Γι`αυτό για το επίπεδο εισόδου χρησιμοποιήθηκαν 64 νευρώνες. Αυτό θεωρείται αναγκαίο μιας και δεν υπάρχει εξαγωγή χαρακτηριστικών από το φιλτραρισμένο σήμα ΗΕΓ. Η δυνατότητα εκμάθησης και γενίκευσης του ΤΝΔ βασίζεται αποκλειστικά στην όσο το δυνατόν περισσότερη πληροφορία υπάρχει σχετικά με το σήμα στο πεδίο του χρόνου, που με τη σειρά του σημαίνει ότι και οι 64 τιμές δείγματος στο παράθυρο των 0.5 δευτερολέπτων του ΗΕΓ θα πρέπει να χρησιμοποιηθούν ως είσοδοι στο ΤΝΔ. Μία άλλη απόφαση που πρέπει να ληφθεί είναι η επιλογή της τοπολογίας του ΤΝΔ. Το δίκτυο ταξινομεί δύο κατηγορίες σημάτων, που αντιστοιχούν στην ύπαρξη και την

20 απουσία των ατράκτων. Η ικανότητα ταξινόμησης ΤΝΔ τριών επιπέδων με δύο νευρώνες εξόδου, για προβλήματα που περιλαμβάνουν δύο κατηγορίες, έχει ερευνηθεί εκτενώς. Γι`αυτό, από θεωρητική σκοπιά, δικαιολογείται η χρήση τέτοιων ΤΝΔ, αντί δικτύων με περισσότερα από ένα κρυφά επίπεδα. Εκτενείς δοκιμές που έχουν πραγματοποιηθεί με τα δεδομένα ΗΕΓ που χρησιμοποιούνται στην εργασία δείχνουν παρόμοια απόδοση για δίκτυα τριών και τεσσάρων επιπέδων με έναν ή δύο νευρώνες εξόδου. Επιπλέον, δοθέντος του ότι το επίπεδο εισόδου αποτελείται από 64 νευρώνες, η απόδοση του δικτύου δεν επηρεάζεται σημαντικά από τον αριθμό των νευρώνων του κρυφού επιπέδου, εφ`όσον αυτός ο αριθμός δεν είναι μικρότερος από τον μισό ή περισσότερος από το διπλάσιο του αριθμού των νευρώνων του επιπέδου εισόδου. Με βάση τα παραπάνω εμπειρικά αποτελέσματα, το δίκτυο που θα χρησιμοποιηθεί είναι τριών επιπέδων, με 30 νευρώνες στο κρυφό επίπεδο και 2 νευρώνες στο επίπεδο εξόδου Οπτική ανίχνευση των ατράκτων Για την εκπαίδευση και τη δοκιμή του ΤΝΔ έπρεπε να οριστούν παραδείγματα ατράκτων, οι οποίες αναγνωρίστηκαν από ειδικούς. Τα κριτήρια που χρησιμοποίησαν οι ειδικοί για το τι αποτελεί μία άτρακτο είναι τα εξής: Η αρχή μιας κυματομορφής υπνικής ατράκτου ορίζεται όταν τουλάχιστον τέσσερα συνεχή κύματα ΗΕΓ, το καθένα στη ζώνη συχνοτήτων Hz και με ελάχιστη ένταση από κορυφή σε κορυφή περίπου 10μV και με ελάχιστο συνολικό μήκος των 0.3 δευτερολέπτων ανιχνεύεται. Το τέλος μιας κυματομορφής ατράκτου ορίζεται όταν για τουλάχιστον 0.25 δευτερόλεπτα, συνεχόμενα κύματα ΗΕΓ δεν συμφωνούν με τα κριτήρια συχνότητας ή/και έντασης που δηλώθηκαν παραπάνω. Η αρχή και το τέλος της ατράκτου σημειώθηκαν από τους ειδικούς για περιόδους των δευτερολέπτων. Η ανίχνευση ατράκτων στα δεδομένα που χρησιμοποιήθηκαν για την εκπαίδευση και τη δοκιμή του συστήματος έγινε από ειδικούς του Εργαστηρίου Μελέτης Ύπνου. Τα δεδομένα ΗΕΓ προέρχονται από τρία άτομα. Από το κάθε άτομο έχουν χρησιμοποιηθεί τρία τμήματα ΗΕΓ από μία καταγραφή μίας νύχτας. Τα τμήματα αυτά αντιστοιχούν σε τρία μέρη της νύχτας και έχουν διάρκεια το καθένα 5 λεπτά και 4 δευτερόλεπτα, δηλαδή το κάθε τμήμα αποτελείται από 19 εποχές Εκπαίδευση του ΤΝΔ Για την εκπαίδευση του νευρωνικού δικτύου επιλέχθηκαν 18 ζεύγη δειγμάτων με ύπαρξη/απουσία ατράκτου. Τα δείγματα έχουν επιλεγεί από 17 εποχές των δεδομένων ΗΕΓ και των τριών ατόμων. Επίσης οι εποχές έχουν επιλεγεί και από τα τρία τρίτα της νύχτας από τα κανάλια Cz και C3 του ΗΕΓ, σε συχνότητες δειγματοληψίας 256 και 512 Hz, αντίστοιχα. Τα δεδομένα εκμάθησης παράχθηκαν εφαρμόζοντας ένα κινούμενο παράθυρο 0.5 s στα φιλτραρισμένα τμήματα ΗΕΓ που αντιστοιχούσαν στις ατράκτους. Το παράθυρο μετακινήθηκε με βήμα ένα δείγμα τη φορά. Το ίδιο κινούμενο παράθυρο εφαρμόστηκε και στα τμήματα ΗΕΓ με απουσίες ατράκτων. Ένας από τους νευρώνες εξόδου, που συμβολίζεται με SY, αντιστοιχήθηκε στην παρουσία ατράκτου και ο άλλος, που συμβολίζεται με SN, στην απουσία ατράκτου. Είσοδοι που αντιστοιχούσαν σε ατράκτους έπρεπε να δώσουν στην έξοδο ένα διάνυσμα (SY, SN) = (1, 0), διαφορετικά η έξοδος του ΤΝΔ έπρεπε να είναι (SY, SN) = (0, 1). Το

21 αποτέλεσμα της εκπαίδευσης είναι η παραγωγή πινάκων οι τιμές των οποίων περιέχουν τα συναπτικά βάρη και τα biases του νευρωνικού δικτύου Αλγόριθμος ανίχνευσης ατράκτων Για την ανίχνευση ατράκτων ακολουθείται η εξής διαδικασία. Κάθε φιλτραρισμένη εποχή των 16 s του ΗΕΓ διαβάζεται από το ΤΝΔ, με διαδοχικά παράθυρα εισόδου των 0.5 s μετακινούμενα κατά ένα δείγμα τη φορά. Οι δύο καμπύλες που προκύπτουν και αναπαριστούν τους νευρώνες - εξόδους SY και SN, φιλτράρονται με ένα φίλτρο median με κινούμενο παράθυρο χρόνου 0.5 s. Η τιμή 0.5 επιλέχθηκε ώστε να λαμβάνει υπόψη την ελάχιστη διάρκεια ατράκτου (0.3 s) και ταυτόχρονα την ανάγκη μείωσης των λάθος θετικών (false positives - FP). Για την περαιτέρω ανάλυση χρησιμοποιείται η καμπύλη SY, που παίρνει τιμές από 0 έως 1. Υπάρχουν δύο κριτήρια για τον εντοπισμό ενδείξεων ατράκτων. Σύμφωνα με το κριτήριο C1 έχουμε: Τα τμήματα της καμπύλης που έχουν τιμή μεγαλύτερη από Vt θεωρούνται κορυφές. Δύο γειτονικές κορυφές συνενώνονται όταν: o Η μέγιστη χρονική περίοδος μεταξύ δύο κορυφών είναι Tg sec. o Η ελάχιστη τιμή της SY να είναι Vg. Οι τιμές που μπορούν να πάρουν οι σταθερές Tg και Vg είναι: Tg = 0.3 sec Vg = Vt 0.1 Στη συνέχεια για τον προσδιορισμό των ενδείξεων ατράκτων χρησιμοποιείται το κριτήριο C2, το οποίο διαιρείται σε δύο κριτήρια το soft και το hard: Όταν εφαρμόζεται το soft κριτήριο, όλες οι κορυφές θεωρούνται ενδείξεις ατράκτων Όταν εφαρμόζεται το hard κριτήριο, θεωρούνται κορυφές μόνο όσες έχουν διάρκεια (σε δευτερόλεπτα) μεγαλύτερη από durationthreshold (DT).. Οι τιμές που μπορούν να πάρουν οι σταθερές Vt και DT είναι: Πίνακας 1-1: Οι τιμές των σταθερών Vt και durationthreshold Vt durationthreshold

22 Φιλτράρισμα δεδομένων ΗΕΓ Το φιλτράρισμα των δεδομένων ΗΕΓ γίνεται μέσω ενός ζωνοπερατού φίλτρου (finite impulse response (FIR) bandpass filter), 128 συντελεστών, με συχνότητες αποκοπής (pass band) 3 db, Hz. Η επιλογή του φίλτρου και η παρακάτω ανάλυση έγιναν από τον καθηγητή του τμήματος Τεχνολογία Ιατρικών Οργάνων κ. Ερρίκο Βεντούρα. Αν και δοκιμάστηκε η επίδραση του φιλτραρίσματος 6-21Hz, αυτή αποδείχτηκε επιζήμια. Εξαιτίας της ύπαρξης των πλευρικών (6-10 και 16-21Hz) συχνοτήτων το νευρωνικό δίκτυο εμφανίζει καμπύλη απόκρισης πολύ λιγότερο ομαλή (μπλε καμπύλη στα παρακάτω σχήματα) από ότι για εκπαίδευση και δοκιμή με δεδομένα φιλτραρισμένα στα 10,5-16Hz. Έτσι οι επιδόσεις ανίχνευσης χειροτερεύουν δραματικά, ενώ πολλές φορές το αναμενόμενο όφελος, δηλαδή η καλύτερη ανίχνευση της αρχής και του τέλους της ατράκτου δεν προκύπτει. Παρακάτω φαίνεται τμήμα όπου έχουμε 3 ατράκτους που χρησιμοποιήθηκαν ως παράδειγμα εκμάθησης και 1 (η τελευταία) ως δοκιμή. Ακόμη και για άτρακτο εκμάθησης η απόδοση για 6-21Hz δεν είναι ικανοποιητική

23 Εικόνα 5: Φιλτράρισμα ΗΕΓ με συχνότητες αποκοπής 10,5 16 Hz και 6 21 Hz. Στην έξοδο του νευρωνικού δικτύου, με κόκκινο φαίνονται τα αποτελέσματα για 10,5-16Hz και με μπλε τα αποτελέσματα για 6-21Hz. Παρακάτω ακολουθούν οι επιδόσεις του ΤΝΔ για το 2 ο 3 ο της νύχτας (δεδομένα από Ventouras et al., 2005). Με κόκκινο φαίνονται τα αποτελέσματα για 10,5-16Hz. Πίνακας 1-2: Σύγκριση της απόδοσης του ΤΝΔ με διαφορετικές συχνότητες αποκοπής με Vt=0.9 Κατώφλι 0, Hz 10,5-16Hz Hard criterion %hits 54,8 75,8 %tfp (%FP-2) 19 (9,5) 2,1 (0) Soft criterion %hits 66,1 82,3 %tfp (%FP-2) 26,8 (7,1) 3,8 (0) Με κατώφλι 0,8 η βελτίωση στα hits αντισταθμίζεται (και καθίσταται απαγορευτική η χρήση) από τα FPs:

24 Πίνακας 1-3: Σύγκριση της απόδοσης του ΤΝΔ με διαφορετικές συχνότητες αποκοπής με Vt=0.8 Κατώφλι 0, Hz 10,5-16Hz Hard criterion %hits 72,3 82,2 %tfp (%FP-2) 33,8 (7,3) 1,9 Soft criterion %hits 83,4 83,9 %tfp (%FP-2) 40,9 (7,9) 10,3-17 -

25 3 ΑΝΑΛΥΣΗ ΑΠΑΙΤΗΣΕΩΝ Ο κύριος στόχος για την ανάπτυξη της εφαρμογής είναι η αυτοματοποίηση της διαδικασίας ανίχνευσης των ατράκτων με την μεγαλύτερη δυνατή ακρίβεια. Για να επιτευχθεί αυτό θα πρέπει πρώτα να περιγραφούν οι κύριες ομάδες χρηστών, οι βασικές ανάγκες τους, οι τρόποι αλληλεπίδρασης τους με το σύστημα, η συμπεριφορά του συστήματος σε κάθε ενέργεια του χρήστη, η αναμενόμενη απόδοση του συστήματος, οι διεπαφές της εφαρμογής με άλλες εφαρμογές και συστήματα, οι ανάγκες ασφάλειας κ.λ.π. Για την καταγραφή των προδιαγραφών, έχουν ληφθεί υπόψη τα όσα συζητήθηκαν στις προηγούμενες ενότητες καθώς και οι συζητήσεις με ερευνητές από το Εργαστήριο Μελέτης Ύπνου, που θα είναι και οι χρήστες της εφαρμογής. Για την ανάλυση, τον σχεδιασμό και την υλοποίηση της εφαρμογής έχει επιλεχτεί η χρήση αντικειμενοστραφών τεχνικών και γλωσσών, όπου αυτό είναι δυνατό. Αυτό έχει γίνει επειδή αυτές οι τεχνικές έχουν επικρατήσει σε μεγάλο βαθμό στην ανάπτυξη σύγχρονων συστημάτων. Κάποια από τα πλεονεκτήματα που παρέχουν είναι: Επιτρέπουν την έκφραση του σχεδιασμού ενός συστήματος σε υψηλότερο επίπεδο πιο κοντά στο πρόβλημα που προσπαθεί να επιλύσει, χωρίς να είναι αναγκαίο να προσδιορίζονται λεπτομέρειες υλοποίησης (Brooks, 1987) Επιτρέπουν την ανάπτυξη πιο ευέλικτων συστημάτων, τα οποία μπορούν να τροποποιηθούν και να επεκταθούν πιο εύκολα (Meyer, 2000) Τα παραπάνω θα περιγραφούν σε αυτή την ενότητα, με τη βοήθεια μιας γλώσσας μοντελοποίησης, της UML (Unified Modeling Language). Η UML επιλέχτηκε επειδή αποτελεί σήμερα την πιο διαδεδομένη γλώσσα μοντελοποίησης, οπότε τα σύμβολα και διαγράμματα που χρησιμοποιεί είναι οικεία σε όσους ασχολούνται με την ανάπτυξη καινούργιων συστημάτων (Fowler, 2000). Μιας και αυτή είναι μία από τις αρχικές εκδόσεις του συστήματος και για να απλοποιηθεί ο σχεδιασμός και η υλοποίηση του, έχουν θεωρηθεί δύο ομάδες χρηστών, οι ερευνητές και διαχειριστές: Ερευνητές: Οι ερευνητές θα πρέπει να έχουν πρόσβαση στο σύστημα μόνο σε λειτουργίες αναζήτησης, ανάκτησης, εξαγωγής και οπτικοποίησης των δεδομένων του συστήματος. Οι ερευνητές χρειάζονται πρόσβαση στις παραπάνω λειτουργίες για να μπορούν να προχωρήσουν σε περαιτέρω ανάλυση και μελέτη των στοιχείων της εφαρμογής. Διαχειριστές: Οι διαχειριστές έχουν πρόσβαση σε όλες τις λειτουργίες του συστήματος. Έτσι εκτός των παραπάνω θα πρέπει να έχουν πρόσβαση σε λειτουργίες τροποποίησης των δεδομένων του συστήματος, παρακολούθησης της σωστής λειτουργίας του και παραμετροποίησής του

26 3.1 Λειτουργικές απαιτήσεις - Περιπτώσεις χρήσεων Για την καταγραφή των λειτουργικών απαιτήσεων η συμπεριφορά του συστήματος θα χρησιμοποιηθούν οι περιπτώσεις χρήσεων (use cases). Μία περίπτωση χρήσης είναι ένα σύνολο σεναρίων, που τα συνδέει ένας κοινός στόχος του χρήστη. Οι περιπτώσεις χρήσεων αποτελούν μέρος του προτύπου UML. Σύμφωνα με τον (Larman, 2001) οι περιπτώσεις χρήσης είναι έγγραφα κειμένου και όχι διαγράμματα αν και το πρότυπο της UML ορίζει τέτοια διαγράμματα, γι`αυτό στη συνέχεια θα χρησιμοποιηθεί μόνο κείμενο για τις περιπτώσεις χρήσης. Oι περιπτώσεις χρήσης (Cockburn, 2001) γράφονται σε διάφορες μορφές και διατυπώσεις ανάλογα με τις ανάγκες. Εδώ θα χρησιμοποιηθεί μια απλή περιγραφή για να καλύψει τα περισσότερα σενάρια. Οι περιπτώσεις χρήσεις τους συστήματος, οι οποίες αναλύονται παρακάτω είναι: 1. Ταυτοποίηση (authentication) και εξουσιοδότηση χρήστη 2. Εισαγωγή αρχείων από ΗΕΓ και παρακολούθηση της διαδικασίας εισαγωγής στοιχείων 3. Εμφάνιση πληροφοριών για τα άτομα που υπάρχουν στο σύστημα 4. Εμφάνιση αποτελεσμάτων ανίχνευσης ατράκτων σε επίπεδο ατόμου, νύχτας ύπνου, διαστήματος ύπνου και εποχής 5. Εξαγωγή των δεδομένων ενός ατόμου σε διάφορες μορφές 6. Γραφική παρουσίαση των ατράκτων ανά διάστημα ύπνου ή ανά εποχή 7. Εξαγωγή των δειγμάτων μιας ατράκτου 8. Παραμετροποίηση της εφαρμογής 9. Διαχείριση χρηστών 1. Ταυτοποίηση (authentication) και εξουσιοδότηση χρήστη 1. Ο χρήστης εισάγει το όνομα χρήστη και τον κωδικό. 2. Το σύστημα ταυτοποιεί τον χρήστη. 3. Το σύστημα παρουσιάζει στον χρήστη την κεντρική οθόνη της εφαρμογής. Εναλλακτικό σενάριο: Καινούργιος χρήστης 1α. Ο χρήστης είναι καινούργιος και προσπαθεί να συνδεθεί για πρώτη φορά. 1β. Το σύστημα εμφανίζει την οθόνη αλλαγής κωδικού του χρήστη. 1γ. Ο χρήστης εισάγει το καινούργιο κωδικό. 1δ. Συνέχεια στο βήμα 2. Εναλλακτικό σενάριο: Αποτυχία ταυτοποίησης 2α. Το σύστημα αποτυγχάνει να ταυτοποιήσει τον χρήστη 2β. Το σύστημα δίνει τη δυνατότητα στον χρήστη να εισάγει πάλι τα στοιχεία του

27 2. Εισαγωγή αρχείων από ΗΕΓ Προαπαιτούμενο: Ταυτοποίηση και εξουσιοδότηση χρήστη 1. Ο χρήστης εισάγει την τοποθεσία του αρχείου με τα ΗΕΓ δεδομένα και το κανάλι που τον ενδιαφέρει. 2. Ο χρήστης ξεκινάει τη διαδικασία εισαγωγής. 3. Το σύστημα ενημερώνει τον χρήστη για την εξέλιξη της διαδικασίας. 4. Το σύστημα διαβάζει το αρχείο, πραγματοποιεί την ανίχνευση των ατράκτων και αποθηκεύει τα δεδομένα και τις ατράκτους. 5. Το σύστημα παρουσιάζει στατιστικά στοιχεία για την όλη διαδικασία. 6. Το σύστημα δίνει τη δυνατότητα για εισαγωγή νέου αρχείου, όταν τελειώσει η διαδικασία. Εναλλακτικό σενάριο: Λάθος τοποθεσία αρχείου 2α. Το σύστημα ενημερώνει τον χρήστη ότι δεν βρίσκει το αρχείο. 2β. Επιστροφή στο κύριο σενάριο στο βήμα 1. Εναλλακτικό σενάριο: Αποτυχία εισαγωγής του αρχείου 4α. Το σύστημα απορρίπτει τις εγγραφές που έχει εισάγει μέχρι στιγμής (rollback). 4β. Το σύστημα ενημερώνει τον χρήστη για τον λόγο που απέτυχε η εισαγωγή του αρχείου. 4γ. Επιστροφή στο κύριο σενάριο στο βήμα Εμφάνιση πληροφοριών για τα άτομα που υπάρχουν στο σύστημα 1. Ο χρήστης συνδέεται στο σύστημα. 2. Το σύστημα παρουσιάζει βασικές πληροφορίες των ατόμων που υπάρχουν στο σύστημα. 3. Ο χρήστης επιλέγει ένα άτομο. 4. Το σύστημα δείχνει πληροφορίες που αφορούν τους ύπνους του και τα αντίστοιχα διαστήματα ύπνου και τις εποχές. Εναλλακτικό σενάριο: Αποτυχία ταυτοποίησης 1α. Επανάληψη της διαδικασίας ταυτοποίησης. 4. Εμφάνιση αποτελεσμάτων ανίχνευσης ατράκτων σε επίπεδο ατόμου, νύχτας ύπνου, διαστήματος ύπνου και εποχής Προαπαιτούμενο: Ταυτοποίηση και εξουσιοδότηση χρήστη 1. Ο χρήστης επιλέγει ένα άτομο. 2. Ο χρήστης επιλέγει να δει στοιχεία στο επιθυμητό επίπεδο λεπτομέρειας

28 3. Ο χρήστης επιλέγει το κριτήριο (hard ή soft) για την εμφάνιση των αντίστοιχων ατράκτων. 4. Το σύστημα παρουσιάζει αναλυτικά στοιχεία για τις ατράκτους. 5. Εξαγωγή των δεδομένων ενός ατόμου σε διάφορες μορφές Προαπαιτούμενο: Ταυτοποίηση και εξουσιοδότηση χρήστη 1. Ο χρήστης επιλέγει ένα άτομο. 2. Ο χρήστης επιλέγει τη μορφή στην οποία θα εξαχθούν τα δεδομένα (γραφική ή κειμενική). 3. Το σύστημα γράφει σε ένα προκαθορισμένο φάκελο ένα αρχείο για κάθε εποχή ΗΕΓ του ατόμου. 4. Το σύστημα ενημερώνει τον χρήστη για την τοποθεσία όπου αποθηκεύτηκαν τα αρχεία. 6. Γραφική παρουσίαση των ατράκτων ανά διάστημα ύπνου ή ανά εποχή Προαπαιτούμενο: Ταυτοποίηση και εξουσιοδότηση χρήστη 1. Ο χρήστης επιλέγει το επιθυμητό διάστημα ύπνου ή εποχή ενός ατόμου. 2. Ο χρήστης επιλέγει το κριτήριο (hard ή soft) για την εμφάνιση των αντίστοιχων ατράκτων. 3. Το σύστημα παρουσιάζει τις ατράκτους σε γραφική μορφή σε συνάρτηση με τον χρόνο. 7. Εξαγωγή των δειγμάτων μιας ατράκτου Προαπαιτούμενο: Ταυτοποίηση και εξουσιοδότηση χρήστη 1. Ο χρήστης επιλέγει μία εποχή ενός ατόμου. 2. Το σύστημα παρουσιάζει τις ατράκτους που περιλαμβάνονται στην εποχή. 3. Ο χρήστης επιλέγει την άτρακτο που τον ενδιαφέρει. 4. Το σύστημα εμφανίζει τα δείγματα του ΗΕΓ που περιλαμβάνονται στην άτρακτο. Εναλλακτικό σενάριο: Μη ύπαρξη ατράκτων 2α. Ο χρήστης επιλέγει κάποια άλλη εποχή. 8. Παραμετροποίηση της εφαρμογής Προαπαιτούμενο: Ταυτοποίηση και εξουσιοδότηση χρήστη 1. Ο χρήστης αλλάζει κάποια από τις παραμέτρους του συστήματος

29 2. Ο χρήστης σώζει τις αλλαγές. 3. Το σύστημα αποθηκεύει τις αλλαγές και ενημερώνει τον χρήστη για την επιτυχία της ενέργειάς του. Εναλλακτικό σενάριο: Ακύρωση αλλαγών 2α. Ο χρήστης ακυρώνει τις αλλαγές. 2β. Το σύστημα εμφανίζει την κεντρική οθόνη. Εναλλακτικό σενάριο: Μη αποδοχή των αλλαγών 3α. Το σύστημα ενημερώνει τον χρήστη για τον λόγο της μη αποδοχής των αλλαγών 9. Διαχείριση χρηστών Προαπαιτούμενο: Ταυτοποίηση και εξουσιοδότηση χρήστη 1. Ο διαχειριστής επιλέγει την προσθήκη ενός καινούργιου χρήστη. 2. Ο διαχειριστής καταχωρεί τα στοιχεία του καινούργιου χρήστη. 3. Το σύστημα αποθηκεύει τον καινούργιο χρήστη. Εναλλακτικό σενάριο: Τροποποίηση των στοιχείων ενός χρήστη 1α. Ο διαχειριστής επιλέγει να αλλάξει τα στοιχεία ενός υπάρχοντα χρήστη. 1β. Το σύστημα αποθηκεύει τις αλλαγές. Στις παραπάνω περιπτώσεις χρήσεων υπάρχει ένα ακόμη εναλλακτικό σενάριο, το οποίο μπορεί να παρουσιαστεί σε όλες τις περιπτώσεις. Αυτό είναι το συστημικό σφάλμα, το οποίο σημαίνει ότι λόγω ενός σφάλματος στο υλικό (π.χ. δίσκος), στο λογισμικό υποδομής (π.χ. web server) ή στο λογισμικό της εφαρμογής, η ενέργεια του χρήστη μπορεί να μην εκτελεστεί επιτυχώς. Σε αυτή την περίπτωση, το σφάλμα αυτό θα πρέπει να καταγράφεται μέσω κάποιας μορφής logging και ο χρήστης να ενημερωθεί ότι πρόκειται για αποτυχία του συστήματος. Σε κάθε περίπτωση η εφαρμογή πρέπει να κάνει το καλύτερο δυνατό, ώστε τα δεδομένα της εφαρμογής να παραμείνουν σε μία συνεπή κατάσταση. 3.2 Εννοιολογικό μοντέλο Το εννοιολογικό μοντέλο (domain model) που θα περιγραφεί παρακάτω παρουσιάζει τις βασικές έννοιες του συστήματος και τις πληροφορίες που αυτό διαχειρίζεται και πως αυτές σχετίζονται μεταξύ τους. Θα αποτελέσει τη βάση για τον σχεδιασμό του συστήματος και τον συνδετικό κρίκο μεταξύ των απαιτήσεων και του σχεδιασμού. Για την περιγραφή του εννοιολογικού μοντέλου χρησιμοποιείται ένα διάγραμμα κλάσεων από την εννοιολογική σκοπιά όπως αυτό περιγράφεται στους (Fowler, 2000) και (Larman, 2001). Ένα τέτοιο μοντέλο περιλαμβάνει τους τύπους των αντικειμένων τους συστήματος, τις συσχετίσεις μεταξύ τους, τα χαρακτηριστικά των κλάσεων και τις ευθύνες τους, αλλά δεν καθορίζει τη διεπαφή των κλάσεων οι οποίες δεν αντιστοιχούν απαραίτητα στις κλάσεις του λογισμικού του τελικού συστήματος

30 Το εννοιολογικό μοντέλο δεν περιλαμβάνει όλες τις λεπτομέρειες όπως αναφέρθηκε και προηγουμένως. Όσον αφορά τις συσχετίσεις δείχνεται μόνο η πληθικότητα (multiplicity) και οι ονομασίες τους όταν κρίνεται απαραίτητο. Επίσης τα χαρακτηριστικά είναι συνήθως μικρές, απλές κλάσεις ή βασικοί τύποι (π.χ. ακέραιοι). Οι κλάσεις αυτές είτε υλοποιούνται από τις βασικές βιβλιοθήκες της γλώσσας (συνήθως) που θα χρησιμοποιήσουμε είτε παρέχουμε εμείς μία υλοποίηση (π.χ. για συχνότητα δειγματοληψίας). Καταρχήν, οι περισσότερες κλάσεις κληρονομούν την DomainObject. Η κλάση DomainObject θα περιέχει δεδομένα και λειτουργικότητα κοινή για όλες αυτές τις κλάσεις. Σε πρώτη φάση, για κάθε αντικείμενο στο σύστημα που αναπαριστά μια οντότητα, χρειαζόμαστε ένα ID για να μπορεί να προσδιορίζεται μοναδικά. Η κλάση Person κρατάει τα στοιχεία για ένα άτομο και συνδέεται με τους «ύπνους» του (SleepSession). Για τον ύπνο, μας ενδιαφέρει να ξέρουμε την ημερομηνία καταγραφής του και τη συχνότητα δειγματοληψίας του. Εικόνα 6: Εννοιολογικό μοντέλο της εφαρμογής

31 Η συχνότητα δειγματοληψίας, SamplingFrequency αν και είναι ένας ακέραιος αριθμός μπορεί να πάρει πολύ συγκεκριμένες τιμές, π.χ. 256, 512 κ.λ.π. Για να αποκλειστεί η πιθανότητα λάθους, η τιμή της συχνότητας αναπαρίσταται ως αντικείμενο τύπου enumeration. Τα αντικείμενα τύπου enumeration είναι με τη σειρά τους υποσύνολο των αντικειμένων τιμών (value objects). Τα αντικείμενα αυτά, ενθυλακώνουν δεδομένα που χρησιμοποιούνται σε διάφορα σημεία στο σύστημα και ευθύνη τους είναι η αναπαράσταση όλων των κανόνων, των λειτουργιών και των ελέγχων που σχετίζονται με αυτά να συμπεριλαμβάνονται σε μία κλάση ώστε να μην επαναλαμβάνονται σε άλλα σημεία στο σύστημα. Παρόμοια κλάση είναι και η CutoffFrequency, που περιέχει τις τιμές για τα κατώφλια που χρησιμοποιούνται στο φιλτράρισμα. Για κάθε ύπνο έχουν επιλεχτεί από τους ειδικούς ένα ή περισσότερα διαστήματα για ανάλυση από ένα συγκεκριμένο κανάλι του ΗΕΓ (SessionPart). Κάθε διάστημα ύπνου αναλύεται περισσότερο σε εποχές. Κάθε εποχή αναπαριστά ένα χρονικό διάστημα των 16 δευτερολέπτων και περιέχει τα δείγματα ΗΕΓ για αυτό το χρονικό διάστημα. Η έννοια του χρονικού διαστήματος αναπαρίσταται με την κλάση Interval. Κάθε εποχή μπορεί να περιέχει μία ή περισσότερες ατράκτους (Spindle). Για κάθε άτρακτο αντιστοιχεί και ένα χρονικό διάστημα μεταξύ των ατράκτων (Inter Spindle Interval ISI). Μία άτρακτος μπορεί να έχει ανιχνευτεί από το σύστημα (SpindleIndication) ή χειροκίνητα από ειδικό (VDSpindle). Μία άτρακτος ανιχνεύεται από το σύστημα με τη βοήθεια των τιμών κάποιων κατωφλίων. Κάθε συνδυασμός κατωφλίων μπορεί να αναπαρασταθεί ως ένα ThresholdGroup. Οι χρήστες και οι ρόλοι τους αναπαριστώνται από τις κλάσεις User και Role. Για την παραμετροποίηση της εφαρμογής χρησιμοποιείται η κλάση Settings, ενώ για την παρακολούθηση της διαδικασίας εισαγωγής δεδομένων χρησιμοποιείται η κλάση Audit για να κρατάει τη σχετική πληροφορία. 3.3 Μη λειτουργικές απαιτήσεις Εδώ, συμπεριλαμβάνονται όλες οι απαιτήσεις που δεν αφορούν τη συμπεριφορά του συστήματος Απόδοση Αν και υπάρχουν πολλές παράμετροι και όροι που περιγράφουν την απόδοση ενός συστήματος, δύο είναι οι βασικές έννοιες που μας ενδιαφέρουν εδώ. Αυτές είναι: χρόνος ολοκλήρωσης μιας λειτουργίας (response time): Αυτός είναι ο χρόνος που χρειάζεται το σύστημα για να επεξεργαστεί μία αίτηση του χρήστη. χρόνος απόκρισης (responsiveness): Αναφέρεται στο πόσο γρήγορα το σύστημα αναγνωρίζει μία αίτηση του χρήστη πριν ολοκληρώσει την επεξεργασία της. Επειδή το σύστημα θα επεξεργάζεται μεγάλο όγκο δεδομένων, είναι απαραίτητο, εκτός από τη βελτιστοποίηση του χρόνου ολοκλήρωσης μιας μεγάλης σε διάρκεια λειτουργίας του συστήματος, ο χρήστης να ενημερώνεται διαρκώς για την κατάσταση του συστήματος

32 3.3.2 Ασφάλεια Η εφαρμογή θα πρέπει στο ελάχιστο να υποστηρίζει την ταυτοποίηση και εξουσιοδότηση (authentication and authorization) των χρηστών. Η ασφαλής μεταφορά και αποθήκευση των δεδομένων δεν θεωρείται ευθύνη της εφαρμογής. Ωστόσο τα τελευταία μπορούν να υποστηριχθούν με διάφορες τεχνικές διαχείρισης δικτύου και ρυθμίσεις των servers, π.χ. πρόσβαση στην εφαρμογή μέσω ασφαλής σύνδεσης (π.χ. HTTPS) και φυσική ασφάλεια του μηχανήματος, όπου θα εγκατασταθεί η εφαρμογή (Cheswick et al., 2003) Φιλικότητα χρήστη Για τη χρήση της εφαρμογής δεν θα πρέπει να απαιτείται η ανάγνωση εγχειριδίου. Για να μπορεί να χρησιμοποιήσει την εφαρμογή αποτελεσματικά ο χρήστης θα πρέπει απλώς να είναι εξοικειωμένος με διαδεδομένα προγράμματα ενός PC, π.χ. browser, Excel. Ένας ακόμη στόχος είναι να μειωθούν στο ελάχιστο οι ανάγκες διαχείρισης της εφαρμογής από τον χρήστη. Για να επιτευχθούν οι παραπάνω στόχοι θα πρέπει να πραγματοποιηθούν δοκιμές ευχρηστίας (usability tests), ώστε η τελική διεπαφή χρήστη να διαμορφωθεί με τη συμμετοχή των χρηστών Συντήρηση και επέκταση της εφαρμογής Το σύστημα θα πρέπει να ακολουθεί τις αρχές του καλού σχεδιασμού, γι`αυτό πρέπει να μειωθούν οι περιττές επαναλήψεις του κώδικα και θα πρέπει να τμηματοποιηθεί, ώστε τα συστατικά του συστήματος να έχουν χαμηλή σύζευξη και υψηλή συνεκτικότητα (Evans, 2003). Εκτός από την μείωση της επανάληψης, θα πρέπει να δοθεί σημασία και στην αναγνωσιμότητα του κώδικα. Θα πρέπει να διαχωριστεί η διεπαφή του χρήστη από το υπόλοιπο πρόγραμμα, για να μπορούν να γίνουν εύκολα αλλαγές και επεκτάσεις. Το σύστημα θα πρέπει να περιλαμβάνει ελέγχους για να είναι εύρωστο και να διατηρεί τη σταθερότητά του ανεξάρτητα από την είσοδο που του δίνεται. Το σύστημα θα πρέπει να είναι επεκτάσιμο ώστε να μπορούν να αντικατασταθούν εύκολα αλγόριθμοι που βρίσκονται σε χρήση με άλλους πιο αποδοτικούς. Τέλος το σύστημα θα πρέπει να είναι έτσι σχεδιασμένο ώστε να ελέγχεται εύκολα (π.χ. μέσω δοκιμών μονάδας ή/και λειτουργικών δοκιμών)

33 4 ΑΡΧΙΤΕΚΤΟΝΙΚΗ ΚΑΙ ΣΧΕΔΙΑΣΜΟΣ 4.1 Το είδος της εφαρμογής Για να μπορέσουμε να σχεδιάσουμε μία εφαρμογή, που να ικανοποιεί τις απαιτήσεις που αναφέρθηκαν στην προηγούμενη ενότητα θα πρέπει να απομονώσουμε τα ιδιαίτερα χαρακτηριστικά που θα έχει αυτή η εφαρμογή. Έτσι θα μπορέσουμε να βασιστούμε σε άλλα επιτυχημένα συστήματα και μεθόδους που έχουν παρόμοια χαρακτηριστικά. Αυτά είναι: Διατήρηση των δεδομένων (data persistence): Χρειαζόμαστε έναν δομημένο τρόπο για να οργανώνουμε, να αποθηκεύουμε και να διαχειριζόμαστε τα δεδομένα της εφαρμογής. Όγκος των δεδομένων: Ο όγκος των δεδομένων που θα πρέπει να υποστηρίζει η εφαρμογή είναι της τάξης των μερικών εκατομμυρίων εγγραφών ανά «ύπνο» ανά άτομο. Ταυτόχρονη πρόσβαση από πολλούς χρήστες στα δεδομένα (concurrent data access): Τα αποτελέσματα της ανάλυσης θα πρέπει να είναι προσβάσιμα από πολλούς χρήστες ταυτόχρονα. Παρουσίαση των ίδιων δεδομένων με διάφορους τρόπους: Τα δεδομένα θα πρέπει να παρουσιάζονται με τη μορφή πινάκων, γραφικών παραστάσεων κ.λ.π. ανάλογα με το τι εξυπηρετεί τον χρήστη. Επεξεργασία κατά δεσμίδες (batch processing): Η εφαρμογή θα πρέπει να υποστηρίζει τη μαζική εισαγωγή και εξαγωγή δεδομένων από το σύστημα Ολοκλήρωση με άλλες εφαρμογές: Τα δεδομένα της εφαρμογής θα πρέπει να μπορούν να εξάγονται με τέτοιο τρόπο ώστε να είναι εύκολη η εισαγωγή τους σε άλλα συστήματα για περαιτέρω ανάλυση Τα παραπάνω χαρακτηριστικά συμπίπτουν με τον ακόλουθο ορισμό: Πληροφοριακό σύστημα είναι η παρουσίαση, επεξεργασία και αποθήκευση μεγάλου όγκου συχνά περίπλοκων δεδομένων και υποστήριξη αυτοματοποίησης διαδικασιών με αυτά τα δεδομένα (Fowler, 2002). Η εφαρμογή, λοιπόν που θέλουμε να σχεδιάσουμε είναι ένα πληροφοριακό σύστημα. Το τελευταίο διαφέρει σημαντικά από άλλα είδη λογισμικού όπως επιτραπέζιες εφαρμογές (desktop), λογισμικό συστήματος κ.α. Ένα από τα βασικά υποσυστήματα της εφαρμογής είναι η εισαγωγή και η επεξεργασία των δεδομένων ΗΕΓ. Αυτό σημαίνει ότι πρέπει να φτιαχτούν διαδικασίες εξαγωγής, μετασχηματισμού και φόρτωσης των δεδομένων (ETL, Extract Transform Load). Γενικά ένα σύστημα ETL εξάγει δεδομένα από μία πηγή δεδομένων, τα καθαρίζει για να κρατήσει αυτά που χρειάζονται μόνο, εφαρμόζει διάφορες μετατροπές και τέλος τα αποθηκεύει σε μία μορφή κατάλληλη για ανάλυση (Kimball and Caserta, 2004)

34 Έχοντας υπόψη τους δύο προηγούμενους ορισμούς, μπορούμε να προχωρήσουμε στην περιγραφή των επιπέδων της εφαρμογής και της αρχιτεκτονικής της. 4.2 Τα στρώματα της εφαρμογής Τα περισσότερα πληροφοριακά συστήματα, αλλά και γενικότερα οποιαδήποτε μη τετριμμένη εφαρμογή, είναι οργανωμένα σε στρώματα. Τα στρώματα χρησιμοποιούνται για να μειώσουν την πολυπλοκότητα ενός συστήματος, μειώνοντας τις εξαρτήσεις μεταξύ των τμημάτων του και για να διευκολύνουν την συντήρησή του, μεταξύ άλλων. Γενικά τα στρώματα που μπορούμε να διακρίνουμε σε ένα πληροφοριακό σύστημα είναι τρία (Fowler, 2002): Παρουσίαση (Presentation): Ασχολείται με τον χειρισμό της αλληλεπίδρασης του χρήστη με το σύστημα. Μπορεί να είναι μία απλή διεπαφή από τη γραμμή εντολών (command line), μία διεπαφή που στηρίζεται σε browser ή μία πιο εξεζητημένη διεπαφή χρήστη που τρέχει σαν ανεξάρτητη εφαρμογή. Οι κύριοι ρόλοι του στρώματος παρουσίασης είναι να παρουσιάσει πληροφορίες στον χρήστη και να μετατρέψει τις ενέργειες του χρήστη σε κλήσεις προς τα χαμηλότερα στρώματα του τομέα και της πηγής δεδομένων. Τομέας (Domain): Αναφέρεται στο τμήμα εκείνο του συστήματος, που περιλαμβάνει τη λογική (κανόνες, ελέγχους, υπολογισμούς κ.λ.π.) του τομέα δραστηριότητας για τον οποίο δημιουργείται η εφαρμογή. Εδώ υλοποιούνται όλες οι εργασίες του συστήματος, που θα υποστηρίζουν τους χρήστες στον τομέα ενασχόλησής τους. Πηγή Δεδομένων (Data Source): Ασχολείται με την επικοινωνία της εφαρμογής με άλλα συστήματα, που πραγματοποιούν εργασίες εκ μέρους της εφαρμογής. Τέτοια συστήματα είναι βάσεις δεδομένων, mail servers, άλλες εφαρμογές κ.λ.π. Γενικά μπορούμε να πούμε ότι το domain μιας εφαρμογής αποτελεί τον πυρήνα της, η παρουσίαση είναι μία εξωτερική διεπαφή για τις υπηρεσίες που παρέχει το σύστημά μας σε κάποιον άλλο, ενώ η πηγή δεδομένων είναι μια διεπαφή σε πράγματα που παρέχουν υπηρεσίες σε μας. Τα στρώματα που περιγράφηκαν παραπάνω είναι λογικά στρώματα, για να μειωθούν οι εξαρτήσεις μεταξύ των διαφορετικών τμημάτων ενός συστήματος. Το κάθε ένα από αυτά μπορεί να εκτελείται στην ίδια ή σε ξεχωριστή διεργασία, στο μηχάνημα του τελικού χρήστη (desktop μηχάνημα) ή σε έναν server. Γενικά επιδιώκεται να εκτελούνται όσο το δυνατόν περισσότερα στρώματα στην ίδια διεργασία για λόγους απόδοσης και μείωσης της πολυπλοκότητας. Ωστόσο δεν μπορούμε να αποφύγουμε τις ξεχωριστές διεργασίες όταν τα στρώματα πρέπει να εκτελούνται σε ξεχωριστά μηχανήματα και όταν τα πακέτα λογισμικού που χρησιμοποιούνται για να υποστηρίζουν την εφαρμογή (π.χ. dbms server, application server) εκτελούνται σε ξεχωριστές διεργασίες. Η εγκατάσταση και η εκτέλεση των τμημάτων της εφαρμογής σε έναν server έχει το πλεονέκτημα ότι η αναβάθμιση και η διόρθωση της εφαρμογής είναι εύκολη επειδή

35 γίνεται κεντρικά σε ένα σημείο (ή μικρό αριθμό σημείων). Η εγκατάσταση της εφαρμογής στο μηχάνημα του χρήστη έχει το πλεονέκτημα της καλύτερης απόκρισης και της λειτουργίας χωρίς σύνδεση. 4.3 Η αρχιτεκτονική της εφαρμογής Λαμβάνοντας υπόψη τις προηγούμενες παραγράφους και τις ανάγκες της εφαρμογής μπορούμε να περιγράψουμε τη γενική αρχιτεκτονική της, όπως φαίνεται στην ακόλουθη εικόνα. Εικόνα 7: Αρχιτεκτονική της εφαρμογής Η εφαρμογή εκτελείται σε δύο διεργασίες, η μία στο μηχάνημα του χρήστη, όπου και εκτελείται το στρώμα της παρουσίασης (presentation) και η άλλη στον server όπου και εκτελείται η λογική της εφαρμογής (domain) και διαχειρίζονται τα δεδομένα (data source). Προφανώς μπορούν να είναι συνδεδεμένοι περισσότεροι από ένας χρήστες κάθε φορά και μπορούμε να έχουμε περισσότερους από έναν server (cluster), οι οποίοι θα τρέχουν αντίγραφα του ίδιου κώδικα. Το στρώμα της παρουσίασης αποτελείται από έναν web browser, που κατεβάζει την εφαρμογή από τον server και την εκτελεί τοπικά, επικοινωνώντας με τον server, που ασχολείται με την επεξεργασία των δεδομένων και τη διαχείρισή τους. Η επεξεργασία των δεδομένων και η διαχείρισή τους γίνονται στην ίδια διεργασία του server, αφού για την εφαρμογή έχει επιλεγεί μία ενσωματωμένη βάση δεδομένων (embedded database server). Ο βασικός λόγος που επιλέχθηκε αυτή η αρχιτεκτονική είναι ότι ο τελικός χρήστης δεν χρειάζεται να εγκαταστήσει τίποτα στον υπολογιστή του για να χρησιμοποιήσει την εφαρμογή. Το μόνο που απαιτείται είναι η ύπαρξη ενός σχετικά πρόσφατου

36 browser, που συνήθως υπάρχει σε κάθε υπολογιστή. Επίσης οι περισσότεροι χρήστες είναι εξοικειωμένοι με web εφαρμογές λόγω της διάδοσης του Internet και του web, οπότε θα είναι πιο εύκολο να εξοικειωθούν και με τη διεπαφή αυτής της εφαρμογής. Το κομμάτι της εφαρμογής που βρίσκεται στον server απομονώνει τον χρήστη από τη διαχείριση των δεδομένων (αναζήτηση, αποθήκευση, backup κ.λ.π.) και η πρόσβαση σε αυτά μπορεί να ελεγχθεί μέσω λογισμικού. Επίσης προσθήκες και βελτιώσεις στη λειτουργικότητα της εφαρμογής μπορούν να γίνουν σε ένα κεντρικό σημείο, χωρίς να χρειάζεται να επηρεαστεί ο χρήστης. Οι web εφαρμογές στο πρόσφατο παρελθόν είχαν πρόβλημα απόκρισης, γιατί για κάθε ενέργεια του χρήστη έπρεπε να παραχθεί ολόκληρη καινούργια σελίδα από τον server και να σταλεί στον χρήστη. Τελευταία όμως αυτό αρχίζει και αλλάζει με τη χρήση τεχνικών που ονομάζονται AJAX (Asynchronous JavaScript And XML). Αυτές οι τεχνικές (θα αναλυθούν παρακάτω) επιτρέπουν την ανταλλαγή μόνο των αναγκαίων δεδομένων μεταξύ του browser και του server, έτσι ώστε να μη χρειάζεται να ξαναφορτωθούν ολόκληρες σελίδες κάθε φορά που υπάρχει ανάγκη να ανακτηθούν δεδομένα από τον server. Ένα άλλο μειονέκτημα αυτής της αρχιτεκτονικής είναι ότι για να χρησιμοποιήσει κάποιος την εφαρμογή πρέπει να είναι συνδεδεμένος στο Internet. Στις παρακάτω εικόνες φαίνονται τα τμήματα της εφαρμογής, το περιβάλλον εκτέλεσής τους και οι εξαρτήσεις μεταξύ τους. Αυτά θα περιγραφούν αναλυτικά στις επόμενες ενότητες Επιλογή γλώσσας προγραμματισμού Αν και πολλές φορές αναφέρεται ότι ο σχεδιασμός πρέπει να είναι ανεξάρτητος από το περιβάλλον υλοποίησης, αυτό στην πραγματικότητα είναι δύσκολο λόγω των διαφορετικών δυνατοτήτων των εργαλείων που χρησιμοποιεί κάποιος (π.χ. γλώσσα προγραμματισμού). Εδώ για το μεγαλύτερο κομμάτι της εφαρμογής έχει επιλεχτεί η Java (Flanagan, 2005), λόγω της μεγάλης διάδοσής της στην ανάπτυξη σύγχρονων πληροφοριακών συστημάτων και της διάθεσης εργαλείων που διευκολύνουν την ανάπτυξη και τη δοκιμή της εφαρμογής, όπως ολοκληρωμένα περιβάλλοντα ανάπτυξης (IDE), testing frameworks (JUnit), web frameworks (GWT) κ.λ.π

37 Εικόνα 8: Τα τμήματα της εφαρμογής και το περιβάλλον εκτέλεσής τους

38 Εικόνα 9: Η οργάνωση του κώδικα της εφαρμογής και οι εξαρτήσεις του 4.4 Οργάνωση της λογικής της εφαρμογής Η λογική της εφαρμογής (domain layer) έχει οργανωθεί γύρω από τρεις βασικές έννοιες (Evans, 2003): Οντότητες (Entities): Οι οντότητες είναι μια κατηγορία αντικειμένων που έχουν ταυτότητα, η οποία παραμένει ίδια σε όλες τις καταστάσεις του λογισμικού. Γι`αυτά τα αντικείμενα δεν έχουν σημασία οι τιμές των χαρακτηριστικών τους, αλλά η ταυτότητα, που διαρκεί σε όλο τον κύκλο ζωής του συστήματος και μπορεί να υπάρχει και πέρα από αυτό. Η ταυτότητα προσδιορίζει μοναδικά μία οντότητα και μπορεί να είναι κάποιο από τα χαρακτηριστικά του αντικειμένου (ή συνδυασμός χαρακτηριστικών), να δημιουργείται αυτόματα από το σύστημα ή να δημιουργείται από τον χρήστη. Αντικείμενα Τιμών (Value Objects): Πρόκειται για απλά αντικείμενα των οποίων η ισότητα δεν βασίζεται στην ταυτότητά τους, αλλά στις τιμές των χαρακτηριστικών

39 τους. Συνήθως αυτά τα αντικείμενα είναι αμετάβλητα (immutable). Από τη στιγμή που αρχικοποιούνται κανένα από τα πεδία τους δεν μπορεί να αλλάξει τιμή. Υπηρεσίες (Services): Μέρος της λειτουργικότητας ενός συστήματος δεν μπορεί να αντιστοιχηθεί εύκολα σε κάποιο από τα αντικείμενα των προηγούμενων κατηγοριών. Τέτοια λειτουργικότητα περιλαμβάνεται σε αντικείμενα τύπου Service. Τα χαρακτηριστικά αυτών των αντικειμένων είναι: Η λειτουργία που εκτελείται από το Service αναφέρεται σε μία έννοια που δεν ανήκει φυσιολογικά σε μία Entity ή Value Object. Η λειτουργία που εκτελείται κάνει αναφορά σε διάφορα άλλα αντικείμενα του domain. Η λειτουργία δεν έχει κατάσταση (stateless). Τα παραπάνω αντικείμενα φαίνονται στις ακόλουθες εικόνες. Όπως μπορεί να παρατηρηθεί υπάρχει μεγάλη ομοιότητα ανάμεσα στο εννοιολογικό μοντέλο και το μοντέλο των οντοτήτων σε αυτή τη φάση (φάση σχεδιασμού). Αυτό που έχει προστεθεί είναι οι λειτουργίες που υλοποιεί το κάθε αντικείμενο. Επίσης μπορεί να παρατηρηθεί ότι οι περισσότερες λειτουργίες υλοποιούνται από την κλάση Epoch. Αυτό εξηγείται από το γεγονός ότι τις περισσότερες φορές η επεξεργασία των δεδομένων ΗΕΓ από τους ειδικούς γίνεται σε επίπεδο εποχής, οπότε και οι αντίστοιχοι αλγόριθμοι δουλεύουν σε αυτό το επίπεδο. Τα αντικείμενα τύπου Entity ή Value Object δεν εξαρτώνται και δεν συνδέονται με αντικείμενα άλλου στρώματος του συστήματος, το οποίο είναι απαραίτητο για τη μείωση της πολυπλοκότητας του συστήματος. Τα αντικείμενα αυτά είτε υλοποιούν λειτουργικότητα πάνω στα δεδομένα που περιέχουν (τα χαρακτηριστικά τους) είτε καλούν άλλα αντικείμενα (του ίδιου τύπου) για να την υλοποιήσουν. Τα αντικείμενα τύπου Service είναι αυτά που παρέχουν τη βασική προγραμματιστική διεπαφή (Application Programming Interface API) της εφαρμογής. Αυτή η διεπαφή μπορεί να χρησιμοποιηθεί (κληθεί) στη συνέχεια από τις εξωτερικές διεπαφές του συστήματος, για παράδειγμα τη διεπαφή χρήστη ή από τη γραμμή εντολών για δοκιμή του συστήματος. Το API της εφαρμογής είναι αυτό το οποίο τελικά υλοποιεί τις περιπτώσεις χρήσης. Για κάθε περίπτωση χρήσης υπάρχει συνήθως μία σχέση ένα-προς-ένα με κάποια από τις μεθόδους ενός αντικειμένου Service, που χρησιμοποιεί Entities, Value Objects ή/και άλλα Services για να υλοποιήσει τελικά τα σενάρια μίας περίπτωσης χρήσης. Τις περισσότερες φορές επίσης χρειάζεται η επικοινωνία με το data source για να υλοποιηθεί μία περίπτωση χρήσης και αυτή γίνεται από τα Services. Έτσι τα άλλα αντικείμενα του domain παραμένουν ανεξάρτητα από την πηγή δεδομένων και αγνοούν τελείως την ύπαρξή της

40 Εικόνα 10: Οι οντότητες και τα αντικείμενα τιμών της εφαρμογής

41 4.4.1 Διαχείριση συναλλαγών Εικόνα 11: Οι υπηρεσίες της εφαρμογής Μία σημαντική ευθύνη της εφαρμογής είναι η διαχείριση των συναλλαγών. Η εφαρμογή πρέπει να εξασφαλίζει τη συνέπεια των δεδομένων της βάσης. Αυτό σημαίνει ότι μία λειτουργία που τροποποιεί δεδομένα στη βάση θα πρέπει είτε να εκτελείται ολόκληρη χωρίς διακοπή είτε καθόλου. Αν για οποιοδήποτε λόγο παρουσιαστεί κάποιο σφάλμα το σύστημα θα πρέπει να ακυρώσει (rollback) τις αλλαγές που έγιναν στη βάση ώστε αυτή να παραμείνει σε συνεπή κατάσταση. Η διαχείριση συναλλαγών υλοποιείται με τη βοήθεια του μηχανισμού που παρέχεται από τη βάση δεδομένων, την Berkeley DB JE (που θα αναλυθεί παρακάτω). Όλες οι λειτουργίες που απαιτούν χρήση συναλλαγών (transactions) υλοποιούνται από αντικείμενα τύπου Service

42 4.4.2 Διεπαφή με άλλα πακέτα λογισμικού Η εφαρμογή χρησιμοποιεί το Matlab για να υλοποιήσει διάφορες λειτουργίες. Για τη διασύνδεση της εφαρμογής με το Matlab, χρησιμοποιείται μία πύλη (Gateway). Gateway είναι ένα αντικείμενο που ενθυλακώνει ένα εξωτερικό σύστημα ή πόρο (Fowler, 2002). Για να μπορεί μία Java εφαρμογή να χρησιμοποιήσει το Matlab παρέχεται μία βιβλιοθήκη (API), η οποία μεταξύ άλλων μετατρέπει τύπους δεδομένων του Matlab σε αντικείμενα που μπορούν να χρησιμοποιηθούν από τη Java. Αντί αυτό το (περίπλοκο) API να χρησιμοποιείται σε πολλά σημεία στην εφαρμογή, έχει οριστεί μία κλάση, η MatlabGateway, που απομονώνει την εφαρμογή από το Matlab και για οποιαδήποτε λειτουργία της εφαρμογής απαιτείται το Matlab για την υλοποίησή της, καλείται αυτή η κλάση. 4.5 Πηγή δεδομένων - Διεπαφή με τη βάση δεδομένων Από την εφαρμογή απαιτείται η αποθήκευση και αναζήτηση μεγάλου όγκου δεδομένων (αρκετών GB) με διάφορα κριτήρια. Επίσης απαιτείται η διατήρηση της συνέπειας των δεδομένων ανεξαρτήτως σφαλμάτων της εφαρμογής ή του λογισμικού υποστήριξης, δηλαδή η υποστήριξη συναλλαγών. Τα δεδομένα της εφαρμογής ανήκουν στην κατηγορία των επιστημονικών δεδομένων και συγκεκριμένα στο μεγαλύτερο ποσοστό τους είναι δεδομένα χρονοσειρών. Στην ακατέργαστη αρχική τους μορφή, τα δεδομένα είναι αποθηκευμένα σε αρχεία κειμένου (ASCII). Σε αυτή τη μορφή τα δεδομένα δεν μπορούν να χρησιμοποιηθούν ούτε για ανάλυση ούτε για γρήγορη αναζήτηση. Θα πρέπει να μετατραπούν σε κάποια μορφή που να είναι εύκολη η διαχείρισή τους προγραμματιστικά σε υψηλότερο επίπεδο και όχι από απλές εντολές ανάγνωσης και αποθήκευσης αρχείων. Επίσης θα πρέπει να υπάρχει η δυνατότητα δημιουργίας ευρετηρίων (indexes) για τη γρήγορη αναζήτηση συγκεκριμένων δεδομένων. Τέλος θα πρέπει η μετατροπή τους σε αυτή τη μορφή να γίνεται αξιόπιστα, π.χ. με τη χρήση συναλλαγών. Αν και υπάρχουν κάποιες μορφές και αντίστοιχες βιβλιοθήκες για τη διαχείριση επιστημονικών δεδομένων, π.χ. Common Data Format (CDF), Hierarchical Data Format (HDF5), καμία από αυτές δεν υποστηρίζει την έννοια των συναλλαγών. Κοιτώντας στον τομέα των εμπορικών εφαρμογών, θα δούμε ότι επικρατούν οι σχεσιακές βάσεις δεδομένων (Relational Database Management Systems RDBMS). Κύριο χαρακτηριστικό τους είναι η υποστήριξη μιας γλώσσας υψηλού επιπέδου για τη διαχείρισή τους (SQL) και η λειτουργία σε ξεχωριστή διεργασία από την εφαρμογή σε πολυχρηστικό περιβάλλον. Τα συστήματα αυτά αν και υποστηρίζουν τα χαρακτηριστικά που αναφέρθηκαν δεν έχουν καλή υποστήριξη για δεδομένα χρονοσειρών και έχουν μεγάλες απαιτήσεις σε υπολογιστικούς πόρους. Επίσης λόγω της πολυπλοκότητάς τους είναι αναγκαία η διαχείρισή τους από άνθρωπο (Oracle, 2006). Υπάρχει και μία άλλη κατηγορία βάσεων δεδομένων, οι ενσωματωμένες βάσεις δεδομένων (embedded databases). Τέτοιες βάσεις δεδομένων υποστηρίζουν τα χαρακτηριστικά που ζητούνται, ενώ μπορούν να εκτελεστούν στην ίδια διεργασία με την εφαρμογή και δεν απαιτούν διαχείριση πέρα από τα αναγκαία (backup κ.λ.π.)

43 Αν και υπάρχουν διάφορες ενσωματωμένες βάσεις δεδομένων, επιλέχτηκε η Berkeley DB JE, λόγω της μεγαλύτερης διάδοσής της. Τα κύρια χαρακτηριστικά της Berkeley DB JE που την κάνουν ελκυστική για την εφαρμογή είναι (Oracle Berkeley DB Java Edition, 2008): Εκτέλεση στην ίδια διεργασία με την εφαρμογή, εξαλείφοντας έτσι την ανάγκη διαδιεργασιακής επικοινωνίας (inter process communication IPC) Δυνατότητα ανάκτησης των δεδομένων από τη βάση από πολλά ταυτόχρονα νήματα, άρα και από πολλούς ταυτόχρονους χρήστες Υποστήριξη συναλλαγών για την εξασφάλιση της συνέπειας των δεδομένων της βάσης και δυνατότητα επαναφοράς από βλάβη Χρήση της βάσης δεδομένων σαν απλή βιβλιοθήκη και με ένα API που κάνει εύκολη την αποθήκευση και την αναζήτηση των αντικειμένων της εφαρμογής, χωρίς να είναι απαραίτητη η μετατροπή τους σε κάποια άλλη αναπαράσταση Για τη διεπαφή με το API της Berkeley DB JE χρησιμοποιήθηκε πάλι η έννοια της πύλης (Gateway), που αναφέρθηκε παραπάνω. Αυτό έγινε για να απομονωθούν οι λειτουργίες της ανάκτησης και της αποθήκευσης των δεδομένων σε ένα μόνο κομμάτι της εφαρμογής. Αυτό διευκολύνει την αλλαγή του λογισμικού της βάσης δεδομένων, αλλά και τη χρήση αυτών των λειτουργιών από τα υψηλότερου επιπέδου στρώματα. 4.6 Διεπαφή χρήστη Web εφαρμογή Εξαιτίας της τμηματοποιημένης αρχιτεκτονικής της η εφαρμογή δίνει τη δυνατότητα δημιουργίας πολλαπλών διεπαφών χρήστη, ανάλογα με τις ανάγκες χρήσης της. Έτσι το API της μπορεί να κληθεί και από τη γραμμή εντολών για να δοκιμαστεί η λειτουργικότητά του, αλλά και για offline χρήση σαν απλή βιβλιοθήκη. Ωστόσο η βασική διεπαφή για να χρησιμοποιούν οι τελικοί χρήστες την εφαρμογή είναι μία web εφαρμογή. Για την κατασκευή μιας web εφαρμογής υπάρχουν διάφορες προσεγγίσεις και αντίστοιχες τεχνολογίες. Για την εφαρμογή η βασική προσέγγιση που έχει επιλεγεί βασίζεται σε ένα αρχιτεκτονικό μοντέλο που λέγεται SOFEA (Service Oriented Front End Architecture), το οποίο περιγράφεται αναλυτικά στο (Prasad et al., 2007). Τα κύρια χαρακτηριστικά αυτής της προσέγγισης είναι: Διαχωρισμός των τριών βασικών διαδικασιών του στρώματος παρουσίασης που είναι το κατέβασμα της εφαρμογής (application download) από τον browser, ο έλεγχος της ροής της παρουσίασης (presentation flow) και η ανταλλαγή δεδομένων (data interchange). Ο έλεγχος της ροής της παρουσίασης πρέπει να γίνεται από τη πλευρά του client (browser) και ποτέ από την πλευρά του server. Η υλοποίηση του στρώματος της παρουσίασης βασίζεται στο πρότυπο Model View Controller (MVC) και γίνεται εξ`ολοκλήρου στην πλευρά του client. Χρήση των τεχνικών AJAX για την ανταλλαγή δεδομένων μεταξύ του browser και του server

44 Μία από τις τεχνολογίες που μπορούν να υποστηρίξουν αυτή την προσέγγιση είναι το Google Web Toolkit (GWT, 2008). Το GWT είναι ένα web framework ανοιχτού κώδικα (open source), το οποίο επιτρέπει την ανάπτυξη και την αποσφαλμάτωση εφαρμογών στην Java. Στο τελικό στάδιο της ανάπτυξης ο μεταγλωττιστής του GWT μετατρέπει τον κώδικα από Java σε JavaScript και HTML, οι οποίες είναι συμβατές με τους περισσότερους browsers (Hanson and Tacy, 2007). Η web εφαρμογή μπορεί να χωριστεί σε δύο τμήματα. To πρώτο εκτελείται στον browser (client) και το δεύτερο στον server. Το τμήμα που εκτελείται στον server έχει τις εξής ευθύνες: Να παρέχει μία απομακρυσμένη πρόσοψη (Remote Façade) στις υπηρεσίες της εφαρμογής ως προς τον browser. Τοποθετείται δηλαδή ένα λεπτό στρώμα, του οποίου ο ρόλος είναι απλώς να παρέχει μια διεπαφή για απομακρυσμένους clients της εφαρμογής. Να μετατρέπει αντικείμενα του domain σε αντικείμενα μεταφοράς δεδομένων (Data Transfer Objects). Επειδή τα αντικείμενα του domain έχουν συνήθως περίπλοκες συσχετίσεις μεταξύ τους, δεν μπορούν να σταλούν όπως είναι στον client. Γι`αυτό, τα δεδομένα που χρειάζονται από τον client για κάθε περίπτωση χρήσης τοποθετούνται σε ένα συγκεκριμένο αντικείμενο για τη μεταφορά τους. Να υλοποιεί διεπαφές του λογισμικού που χρησιμοποιείται για την υλοποίηση των απομακρυσμένων κλήσεων (Remote Procedure Call - RPC). Ο μηχανισμός RPC που παρέχεται από το GWT διευκολύνει τη μεταφορά Java αντικειμένων από και προς τον server μέσω του HTTP. Να διαχειρίζεται τις πληροφορίες της συνόδου του χρήστη (session management). Να υλοποιεί τις απαιτήσεις σε ασφάλεια της εφαρμογής (authentication, authorization). Το τμήμα που εκτελείται στον browser έχει τις εξής ευθύνες: Να δημιουργεί γραφικά συστατικά στον browser (κουμπιά, μενού, λίστες κ.λ.π.) για να παρουσιάζει τα δεδομένα της εφαρμογής στον χρήστη. Να χειρίζεται την αλληλεπίδραση με τον χρήστη. Να χειρίζεται την επικοινωνία με τον server. Η υλοποίηση των παραπάνω στηρίζεται εξ`ολοκλήρου στο GWT. Αυτό σημαίνει ότι τα περισσότερα γραφικά συστατικά είτε κληρονομούν κλάσεις του GWT είτε συνθέτουν κλάσεις του GWT για την κατασκευή τους. 4.7 Λειτουργικότητα υποστηριζόμενη από το Matlab Η εφαρμογή χρησιμοποιεί το Matlab για να υλοποιήσει λειτουργίες όπως: Φιλτράρισμα δεδομένων ΗΕΓ Ανίχνευση ατράκτων μέσω νευρωνικών δικτύων

45 Παραγωγή γραφικών παραστάσεων Εξαγωγή των ακατέργαστων δεδομένων σε αρχεία τύπου MAT Φιλτράρισμα δεδομένων ΗΕΓ Για το φιλτράρισμα χρησιμοποιείται το Signal Processing Toolbox (Signal Processing Toolbox, 2008). Συγκεκριμένα χρησιμοποιείται η συνάρτηση fir1(n,wn)όπου n ο αριθμός των συντελεστών και Wn ένα διάνυσμα [w1 w2] για τον σχεδιασμό ενός ζωνοπερατού φίλτρου στις συχνότητες w1 ως w2, που όμως αντιστοιχούν σε 6 db εξασθένιση. Για να βρεθούν οι συχνότητες όπου η εξασθένιση είναι 3 db χρησιμοποιείται η συνάρτηση freqz, με την οποία μπορεί να απεικονιστεί η απόκριση συχνότητας ενός φίλτρου. Τελικά τα διανύσματα που προκύπτουν για τη ζώνη συχνοτήτων Hz είναι: w1 256Hz Hz w Ανίχνευση ατράκτων Η ανίχνευση των ατράκτων βασίζεται σε έναν αλγόριθμο που χρησιμοποιεί νευρωνικά δίκτυα και συγκεκριμένα τύπου Backpropagation ευθείας τροφοδότησης (feed-forward). Για την εκπαίδευση και την προσομοίωση του νευρωνικού δικτύου χρησιμοποιήθηκε το Neural Network Toolbox του Matlab (Neural Network Toolbox, 2008). Για την υλοποίηση των δύο παραπάνω λειτουργιών χρησιμοποιήθηκε κώδικας που προέκυψε από τις εργασίες (Καθαράκης, 2004) και (Monoyiou et al., 2001). 4.8 Θέματα απόδοσης Η πιο σημαντική και χρονοβόρα λειτουργία της εφαρμογής είναι η εισαγωγή δεδομένων ΗΕΓ και η ανίχνευση ατράκτων σε αυτά τα δεδομένα. Για να μπορέσουμε να κατανοήσουμε σε ποιο τμήμα του κώδικα είναι η μεγαλύτερη καθυστέρηση, χρησιμοποιείται ένας profiler, ο JRat (JRat, 2008). Ο profiler παρακολουθεί την εκτέλεση μιας εφαρμογής και αποθηκεύει μετρήσεις σχετικές με την απόδοσή του. Στη συνέχεια χρησιμοποιώντας ένα από τα εργαλεία παρουσίασης των αποτελεσμάτων μπορούμε να αναλύσουμε τα αποτελέσματα. Το σύστημα στο οποίο πραγματοποιήθηκε το profiling και οι μετρήσεις που ακολουθούν έχει τα εξής χαρακτηριστικά: CPU: Intel Celeron 2.4 GHz RAM: 1.5 GB Operating System: Windows XP Java Version: 1.6.0_03 (Client VM)

46 Για να πραγματοποιηθεί το profiling χρησιμοποιήθηκε ένα αρχείο των εγγραφών που περιέχει δεδομένα ΗΕΓ για 5 λεπτά και 4 δευτερόλεπτα. Συνολικά ο χρόνος που χρειάστηκε για την φόρτωση των εγγραφών του αρχείου και την ανίχνευση των ατράκτων ήταν 153,172 sec όπως φαίνεται και στην παρακάτω εικόνα. Εικόνα 12: Χρόνοι αρχής και τέλους του profiling Το τμήμα του κώδικα που διαβάζει το αρχείο, το καθαρίζει και μετατρέπει τα δεδομένα σε μία μορφή κατάλληλη για ανάλυση, υλοποιείται από την κλάση EEGParser. Όπως φαίνεται από την στήλη Exits οι βασικές τις μέθοδοι, getchannelvalue και hastimetoken, καλούνται μία φορά για κάθε εγγραφή. Ωστόσο ο συνολικός χρόνος που σπαταλάται σε αυτές είναι συνολικά 18,384 sec. Ο υπόλοιπος χρόνος καταναλώνεται για την ανίχνευση ατράκτων, χρησιμοποιώντας κυρίως συναρτήσεις του Matlab. Όπως φαίνεται πάλι από την στήλη Exits η μέθοδος mclfeval της κλάσης MWMCR καλείται 19 φορές όσες είναι και οι εποχές που αντιστοιχούν στα δεδομένα μας. Για τον εντοπισμό των ατράκτων μιας εποχής χρειάζονται περίπου 7,102 sec όπως φαίνεται από την στήλη Average Method ms. Ο υπόλοιπος χρόνος στην ουσία αποτελεί χρόνο επιβάρυνσης που προστίθεται από τις διάφορες βιβλιοθήκες που χρησιμοποιούνται και θα πρέπει στην ιδανική περίπτωση να είναι αμελητέος. Για την ανάλυση των αποτελεσμάτων που φαίνονται στην παρακάτω εικόνα, θα πρέπει να επισημανθεί ότι η λειτουργία αυτή έχει υλοποιηθεί με τη χρήση νημάτων ώστε να μειωθεί η αναμονή λόγω Ι/Ο (χρόνος εισόδου-εξόδου δεδομένων από τον δίσκο) στον συνολικό χρόνο. Εικόνα 13: Profiling για την λειτουργία της εισαγωγής δεδομένων ΗΕΓ και ανίχνευσης ατράκτων

47 Στην παρακάτω εικόνα δίνονται και κάποιοι ενδεικτικοί χρόνοι εισαγωγής δεδομένων ΗΕΓ από τη web διεπαφή, όπως φαίνονται από τον τελικό χρήστη. Έτσι, ο χρόνος εισαγωγής ενός αρχείου 5 min 4 sec κυμαίνεται από 2 min 39 sec μέχρι 3 min 27 sec. Εικόνα 14: Ενδεικτική χρόνοι εισαγωγής ΗΕΓ αρχείων στην εφαρμογή

48 5 ΒΕΛΤΙΣΤΟΠΟΙΗΣΗ ΠΑΡΑΜΕΤΡΩΝ ΑΝΙΧΝΕΥΣΗΣ Όπως αναφέρθηκε και στην ενότητα 2.1.4, οι τιμές δύο παραμέτρων (κατώφλια) επηρεάζουν την αποτελεσματικότητα του συστήματος στην ανίχνευση ατράκτων, οι Vt και durationthreshold. Για να βρούμε τις βέλτιστες τιμές τους θα πρέπει να μετρήσουμε την αποτελεσματικότητα του συστήματος για όλες τις πιθανές τιμές τους. Για να μετρήσουμε την αποτελεσματικότητα του συστήματος για ένα συγκεκριμένο ζευγάρι τιμών Vt και durationthreshold θα πρέπει να συγκριθούν οι ενδείξεις ατράκτων (spindle indications), που παράγονται από το σύστημα για τις συγκεκριμένες τιμές των παραμέτρων, με τις οπτικά αναγνωρισμένες ατράκτους (visually detected spindles) (βλέπε και ενότητα 2.1.2). Η μέτρηση της αποτελεσματικότητας των παραμέτρων του συστήματος θα γίνει με βάση τις παρακάτω έννοιες: Hit (true positive - ορθώς θετικό): Όταν το σύστημα έχει ανιχνεύσει άτρακτο στο ΗΕΓ και το τμήμα αυτό του ΗΕΓ συμπίπτει έστω και ελάχιστα με μία οπτικά αναγνωρισμένη άτρακτο. Miss (false negative - λάθος αρνητικό): Όταν σε ένα τμήμα ΗΕΓ έχει εντοπιστεί οπτικά άτρακτος, ενώ το σύστημα δεν έχει ανιχνεύσει άτρακτο. FP1 (false positive 1 - λάθος θετικό τύπου 1): Όταν το σύστημα έχει ανιχνεύσει άτρακτο στο ΗΕΓ, ενώ δεν έχει εντοπιστεί οπτικά άτρακτος στο συγκεκριμένο τμήμα. FP2 (false positive 2 - λάθος θετικό τύπου 2): Όταν σε ένα τμήμα ΗΕΓ έχει εντοπιστεί οπτικά μία άτρακτος, ενώ το σύστημα έχει ανιχνεύσει δύο ατράκτους. Σε αυτή την περίπτωση η πρώτη άτρακτος που ανίχνευσε το σύστημα θεωρείται ως hit και η δεύτερη ως FP2. Επίσης, για την εξαγωγή συγκεντρωτικών αποτελεσμάτων χρησιμοποιούνται οι παρακάτω τύποι: %HITS = (HITS / (HITS + MISSES)) * 100 %totfp = ((FP1 + FP2) / (HITS + FP1 + FP2)) * 100 %FP1 = (FP1 / (HITS + FP1 + FP2)) * 100 %FP2 = (FP2 / (HITS + FP1 + FP2)) * 100 Η εξαγωγή των αναλυτικών και συγκεντρωτικών αποτελεσμάτων έγινε μέσω της εφαρμογής. Τα δεδομένα ΗΕΓ των τριών ατόμων που ήταν διαθέσιμα φορτώθηκαν στην εφαρμογή εφαρμόζοντας διαφορετικό συνδυασμό τιμών για τις παραπάνω παραμέτρους κάθε φορά. Στη συνέχεια παράχθηκαν αρχεία excel με αναλυτικά αποτελέσματα για κάθε συνδυασμό τιμών των παραμέτρων Vt και durationthreshold και συγκεντρωτικά αποτελέσματα για κάθε τιμή του durationthreshold. Δείγματα αυτών των αρχείων φαίνονται στις παρακάτω εικόνες

49 Εικόνα 15: Αναλυτικά αποτελέσματα αξιολόγησης για Vt=0.9 και durationthreshold=0.3 sec. Εικόνα 16: Συγκεντρωτικά αποτελέσματα αξιολόγησης για durationthreshold=0.3 sec

50 Τα αρχεία αυτά δόθηκαν στους ειδικούς του Εργαστηρίου Μελέτης Ύπνου για περαιτέρω ανάλυση και τελική αξιολόγηση. Η δοκιμή της αποτελεσματικότητας του συστήματος έγινε καταρχήν σε όλα τα διαθέσιμα δεδομένα και στη συνέχεια έγινε πάνω σε δεδομένα που δεν είχαν χρησιμοποιηθεί για εκπαίδευση του νευρωνικού δικτύου, εξαιρέθηκαν δηλαδή οι εποχές που χρησιμοποιήθηκαν για εκπαίδευση. Στη συνέχεια παρατίθεται η ανάλυση και τα συμπεράσματα που βγήκαν από αυτή, από τον καθηγητή του τμήματος Τεχνολογία Ιατρικών Οργάνων κ. Ερρίκο Βεντούρα. 5.1 Σύγκριση παραμέτρων λειτουργίας του ΤΝΔ με χρήση όλων των διαθέσιμων δεδομένων Αν προσπαθήσουμε να εξάγουμε συμπεράσματα από τα αποτελέσματα της λειτουργίας του ΤΝΔ, σε πρώτη προσέγγιση μπορούν να εξαχθούν τα εξής: Σε όλες σχεδόν τις περιπτώσεις: Το ποσοστό %FP2 ήταν μικρότερο του 1%, οπότε η διάκριση ανάμεσα σε FP1 και FP2 δεν έχει σημασία για την λειτουργία του ΤΝΔ. Στα επόμενα εξετάζουμε λοιπόν αποκλειστικά το %totfp. Όπως αναμενόταν, σχεδόν σε όλες τις περιπτώσεις: 1) Η αύξηση του κατωφλιού Vt οδηγεί σε μείωση των hits και μείωση των FP. 2) Αύξηση του duration threshold (DT) στο hard criterion από 0,3 σε 0,5 sec οδηγεί παρομοίως σε μείωση των hits και μείωση των FP. Επίσης, αν συγκρίνουμε με τα αποτελέσματα του άρθρου (Ventouras et al., 2005), είναι εντυπωσιακή η αύξηση γενικά του %totfp τόσο για το hard όσο και για το soft criterion, για οποιοδήποτε τρίτο της νύχτας. Για να απαντήσουμε στο ερώτημα: «Mε βάση την μελέτη επίδοσης ποιες παραμέτρους προτείνουμε για χρήση;» πρέπει καταρχήν να θέσουμε κάποια κριτήρια. Έστω ότι θεωρούμε ικανοποιητικό %hits > 75 και %totfp < 25. Τότε στον παρακάτω πίνακα όσα κελιά έχουν %hits < 75 χρωματίζονται κίτρινα και όσα κελιά έχουν %totfp > 25 γκρι

51 Πίνακας 1-3: Ανάλυση αποτελεσμάτων αξιολόγησης χρησιμοποιώντας όλα τα διαθέσιμα δεδομένα Παρατηρώντας τον πίνακα έχουμε τώρα: Για το 1ο 3ο της νύχτας: 1) Το soft criterion δεν μπορεί να εφαρμοστεί, διότι έχει %totfp > 30. 2) Το κριτήριο %hits > 75 και %totfp < 25 δεν το καλύπτει κανένας συνδυασμός του hard criterion. Αν όμως αναζητήσουμε τις περιπτώσεις που έχουμε %hits > 75 και σε κάθε υποκατηγορία DT το μικρότερο %totfp (έστω και μεγαλύτερο του 25), τότε βρίσκουμε δύο περιπτώσεις: για Vt=0.9 και DT=0.3 έχουμε %totfp=26.7 και για Vt=0.8 και DT=0.4 έχουμε %totfp=25.7, (στον πίνακα τα αντίστοιχα κελιά των hits έχουν χρωματιστεί με ροζ και βρίσκονται σε έντονο πλαίσιο) οπότε μπορούμε να δεχθούμε ότι για το 1ο 3ο της νύχτας ο βέλτιστος συνδυασμός είναι hard criterion με Vt=0.8 και DT=0.4 (τα αντίστοιχα κελιά έχουν έντονους αριθμούς), ώστε από τις δύο παραπάνω περιπτώσεις να επιλέξουμε αυτήν που έχει το μικρότερο %totfp. Για το 2ο 3ο της νύχτας: 1) Το soft criterion δεν μπορεί να εφαρμοστεί, διότι έχει %totfp >

52 2) Το κριτήριο %hits > 75 και %totfp < 25 πάλι δεν το καλύπτει κανένας συνδυασμός του hard criterion. Αν όμως αναζητήσουμε τις περιπτώσεις που έχουμε %hits > 75 και σε κάθε υποκατηγορία DT το μικρότερο %totfp (έστω και μεγαλύτερο του 25), τότε βρίσκουμε 3 περιπτώσεις: για Vt=0.9 και DT=0.3 έχουμε %totfp=29.9, για Vt=0.9 και DT=0.4 έχουμε %totfp=26.3 και για Vt=0.7 και DT=0.5 έχουμε %totfp=27.8, οπότε μπορούμε να δεχθούμε ότι για το 2ο 3ο της νύχτας ο βέλτιστος συνδυασμός είναι hard criterion με Vt=0.9 και DT=0.4, ώστε από τις δύο παραπάνω περιπτώσεις να επιλέξουμε αυτήν που έχει το μικρότερο %totfp. Για το 3ο 3ο της νύχτας: Εδώ έχουμε πολλές επιλογές διότι σε αρκετές περιπτώσεις ικανοποιείται το κριτήριο που θέσαμε (%hits > 75 και %totfp < 25). Αν προτιμούμε υψηλό %hits τότε οι καλύτερες επιλογές (έχουν χρωματιστεί τα κελιά με ροζ και βρίσκονται σε έντονο πλαίσιο) είναι 1) soft criterion με Vt=0.9 (%hits=86.2 και %totfp=23.9) 2) hard criterion με Vt=0.7 και DT=0.3 (%hits=86.7 και %totfp=24.5) Δεδομένου ότι για το soft criterion, μειώνοντας το Vt αυξάνεται γρήγορα το %totfp προς το 30%, ενώ για το hard criterion μειώνοντας το Vt το %totfp δεν αυξάνει πάνω από 27.5, υπάρχει περισσότερη εμπιστοσύνη για ευστάθεια της λειτουργίας της μεθόδου σε άγνωστα δείγματα με την τεχνική του hard criterion, που είναι εξάλλου γενικά πιο συντηρητική και γι αυτό ενδεχόμενα πιο ασφαλής για την αποφυγή υψηλού %tot FP. Άρα ο βέλτιστος συνδυασμός είναι hard criterion με Vt=0.7 και DT=0.3 (ροζ κελιά, έντονο πλαίσιο και έντονοι αριθμοί). Αν προτιμάμε χαμηλό %totfp τότε η καλύτερη επιλογή (έχουν χρωματιστεί τα κελιά με έντονο ροζ και περιβάλλονται με έντονο πλαίσιο) είναι hard criterion με Vt=0.9 και DT=0.4, όπου έχουμε %totfp=16.5 και %hits=78.5. Άρα τελικά, για το 3ο 3ο της νύχτας: 1) Αν προτιμούμε υψηλό %hits, ο βέλτιστος συνδυασμός είναι hard criterion με Vt=0.7 και DT=0.3. 2) Αν προτιμούμε χαμηλό %totfp, ο βέλτιστος συνδυασμός είναι hard criterion με Vt=0.9 και DT=0.4. Αν θέλαμε να καταλήξουμε σε ένα συνδυασμό παραμέτρων για όλα τα 3α της νύχτας, τότε πάλι, με βάση το ότι επιθυμούμε %hits > 75 και %totfp <2 5, τότε: 1) Αν προτιμούμε υψηλό %hits ο βέλτιστος συνδυασμός είναι hard criterion με Vt=0.9 και DT=0.3, όπου έχουμε %totfp=25.5 και %hits= ) Αν προτιμάμε χαμηλό %totfp τότε η καλύτερη επιλογή είναι hard criterion με Vt=0.9 και DT=0.4, όπου έχουμε %totfp=21.5 και %hits=

53 5.2 Σύγκριση παραμέτρων λειτουργίας του ΤΝΔ εξαιρώντας τις εποχές που χρησιμοποιήθηκαν για εκπαίδευση Σε αυτή την περίπτωση τα συμπεράσματα είναι παρόμοια, αλλά υπάρχει μία μικρή διαφοροποίηση στα ποσοστά αποτελεσματικότητας. Πίνακας 1-4: Ανάλυση αποτελεσμάτων αξιολόγησης εξαιρώντας τις εποχές που χρησιμοποιήθηκαν για εκπαίδευση Παρατηρώντας τον πίνακα έχουμε τώρα: Για το 1ο 3ο της νύχτας: 1) Το soft criterion δεν μπορεί να εφαρμοστεί, διότι έχει %totfp > 30. 2) Το κριτήριο %hits > 75 και %totfp < 25 δεν το καλύπτει κανένας συνδυασμός του hard criterion. Αν όμως αναζητήσουμε τις περιπτώσεις που έχουμε %hits > 75 και σε κάθε υποκατηγορία DT το μικρότερο %totfp (έστω και μεγαλύτερο του 25), τότε βρίσκουμε δύο περιπτώσεις: για Vt=0.9 και DT=0.3 έχουμε %totfp=27.5 και για Vt=0.8 και DT=0.4 έχουμε %totfp=26.4, (στον πίνακα τα αντίστοιχα κελιά των hits έχουν χρωματιστεί με ροζ και βρίσκονται σε έντονο πλαίσιο) οπότε μπορούμε να δεχθούμε ότι

54 για το 1ο 3ο της νύχτας ο βέλτιστος συνδυασμός είναι hard criterion με Vt=0.8 και DT=0.4 (τα αντίστοιχα κελιά έχουν έντονους αριθμούς), ώστε από τις δύο παραπάνω περιπτώσεις να επιλέξουμε αυτήν που έχει το μικρότερο %totfp. Για το 2ο 3ο της νύχτας: 1) Το soft criterion δεν μπορεί να εφαρμοστεί, διότι έχει %totfp > 30. 2) Το κριτήριο %hits > 75 και %totfp < 25 πάλι δεν το καλύπτει κανένας συνδυασμός του hard criterion. Αν όμως αναζητήσουμε τις περιπτώσεις που έχουμε %hits > 75 και σε κάθε υποκατηγορία DT το μικρότερο %totfp (έστω και μεγαλύτερο του 25), τότε βρίσκουμε 3 περιπτώσεις: για Vt=0.9 και DT=0.3 έχουμε %totfp=31.5 για Vt=0.9 και DT=0.4 έχουμε %totfp=27.5, και για Vt=0.7 και DT=0.5 έχουμε %totfp=28.6, οπότε μπορούμε να δεχθούμε ότι για το 2ο 3ο της νύχτας ο βέλτιστος συνδυασμός είναι hard criterion με Vt=0.9 και DT=0.4, ώστε από τις δύο παραπάνω περιπτώσεις να επιλέξουμε αυτήν που έχει το μικρότερο %totfp. Για το 3ο 3ο της νύχτας: Εδώ έχουμε πολλές επιλογές διότι σε αρκετές περιπτώσεις ικανοποιείται το κριτήριο που θέσαμε (%hits > 75 και %totfp < 25). Αν προτιμούμε υψηλό %hits τότε η καλύτερη επιλογή είναι hard criterion με Vt=0.9 και DT=0.3 (%hits=82.1 και %totfp=22.4), αλλά αν δεχθούμε μια μικρή υπέρβαση του κατωφλιού %totfp<25, υπάρχει και η περίπτωση με το soft criterion και Vt=0.9, όπου ακόμη υψηλότερα hits επιτυγχάνονται (%hits=85.3) αλλά τα %totfp ξεπερνά το 25. (Έχουν χρωματιστεί τα κελιά με ροζ και βρίσκονται σε έντονο πλαίσιο). Δεδομένου ότι με το soft criterion, μειώνοντας το Vt αυξάνεται γρήγορα το %totfp προς το 30%, ενώ για το hard criterion μειώνοντας το Vt το %totfp δεν αυξάνει πάνω από 29.7, υπάρχει περισσότερη εμπιστοσύνη για ευστάθεια της λειτουργίας της μεθόδου σε άγνωστα δείγματα με την τεχνική του hard criterion, που είναι εξάλλου γενικά πιο συντηρητική και γι αυτό ενδεχόμενα πιο ασφαλής για την αποφυγή υψηλού %tot FP. Άρα ο βέλτιστος συνδυασμός είναι hard criterion με Vt=0.9 και DT=0.3 (ροζ κελιά, έντονο πλαίσιο και έντονοι αριθμοί). Αν προτιμάμε χαμηλό %totfp τότε η καλύτερη επιλογή (έχουν χρωματιστεί τα κελιά με έντονο ροζ και περιβάλλονται με έντονο πλαίσιο) είναι hard criterion με Vt=0.9 και DT=0.4, όπου έχουμε %totfp=18.4 και %hits=76.9. Άρα τελικά, για το 3ο 3ο της νύχτας: 1) Αν προτιμούμε υψηλό %hits, ο βέλτιστος συνδυασμός είναι hard criterion με Vt=0.9 και DT=0.3. 2) Αν προτιμούμε χαμηλό %totfp, ο βέλτιστος συνδυασμός είναι hard criterion με Vt=0.9 και DT=0.4. Αν θέλαμε να καταλήξουμε σε ένα συνδυασμό παραμέτρων για όλα τα 3α της νύχτας, τότε πάλι, με βάση το ότι επιθυμούμε %hits > 75 και %totfp < 25, τότε η μόνη επιλογή για να υπακούμε στα παραπάνω κριτήρια είναι hard criterion με Vt=0.9 και DT=0.4, όπου έχουμε %totfp=22.9 και %hits=75. Αν επιτρέψουμε την χαλάρωση του

55 κριτηρίου %totfp < 25, την μέγιστη βελτίωση στα %hits με την ελάχιστη αύξηση στα %totfp την προσφέρει η περίπτωση hard criterion, Vt=0.9, DT=0.3. Οι τιμές των παραμέτρων στις οποίες καταλήξαμε στην παραπάνω παράγραφο αποτελούν και τις βέλτιστες και αυτές θα χρησιμοποιηθούν στην εφαρμογή για την ανίχνευση ατράκτων μιας και η δοκιμή και η αξιολόγηση της αποτελεσματικότητας του συστήματος έγινε σε δεδομένα που δεν είχαν χρησιμοποιηθεί κατά την εκπαίδευση

56 6 ΟΔΗΓΙΕΣ ΕΓΚΑΤΑΣΤΑΣΗΣ Προσοχή: Οι εξής οδηγίες υποθέτουν ότι η εγκατάσταση γίνεται σε περιβάλλον Windows XP, όπου δεν υπάρχουν προηγούμενες εκδόσεις της Java και του Matlab. 6.1 Εγκατάσταση του λογισμικού υποδομής της εφαρμογής Στο CD που περιέχεται στην πτυχιακή, στον φάκελο third-party υπάρχει το λογισμικό που αποτελεί την υποδομή της εφαρμογής, το MATLAB Component Runtime (MCR), το Java Runtime Environment και ο web/application server (Tomcat). Ακολουθήστε τα εξής βήματα για την εγκατάστασή τους: Για να εγκαταστήσετε το MATLAB Component Runtime (MCR), κάντε διπλό κλικ στο MCRInstaller.exe και ακολουθήστε τις οδηγίες στην οθόνη. Εικόνα 17: Installer για το MATLAB Component Runtime

57 Για να εγκαταστήσετε το Java Runtime Environment, κάντε διπλό κλικ στο jdk-6u3- windows-i586-p.exe και ακολουθήστε τις οδηγίες στην οθόνη. Εικόνα 18: Installer για το Java Runtime Environment Για να εγκαταστήσετε τον Tomcat, κάντε διπλό κλικ στο apache-tomcat exe και ακολουθήστε τις οδηγίες στην οθόνη. Στην οθόνη Configuration Options, στο πεδίο HTTP/1.1 Connector Port συμπληρώστε έναν αριθμό θύρας που δε χρησιμοποιείται. Επίσης δώστε ένα password για τον χρήστη που θα έχει δικαιώματα administrator. Εικόνα 19: Installer για τον Apache Tomcat Χρησιμοποιώντας τον παραπάνω installer ο Tomcat θα εγκατασταθεί ως service και μπορεί να διαχειριστεί είτε μέσω του Taskbar είτε μέσω του πάνελ των Services

58 Μέσω του Taskbar, στο εικονίδιο που βρίσκεται κάτω δεξιά, πατώντας δεξί κλικ μπορούμε να ξεκινήσουμε ή να σταματήσουμε το service και να το δώσουμε διάφορες παραμέτρους (π.χ. μνήμη που θα χρησιμοποιεί ο server) επιλέγοντας το Configure Εικόνα 20: Εργαλείο διαχείρισης του Tomcat από το taskbar Εικόνα 21: Εργαλείο διαχείρισης του Tomcat από το taskbar Από τα Services επίσης υπάρχει η δυνατότητα να ρυθμίσουμε το service ώστε να ξεκινάει αυτόματα όταν ξεκινάνε τα Windows

59 Εικόνα 22: To service του Tomcat Εικόνα 23: Οθόνη διαχείρισης του Tomcat

60 6.2 Εγκατάσταση της εφαρμογής Για την εγκατάσταση της εφαρμογής θα χρησιμοποιηθούν τα αρχεία που βρίσκονται στον φάκελο dist. Η εγκατάσταση μπορεί να γίνει με δύο τρόπους, αυτόματη ή χειροκίνητη: Σημείωση: Ο γονικός φάκελος όπου εγκαταστάθηκε ο Tomcat (π.χ. C:\Program Files\Apache Software Foundation\Tomcat 6.0\, θα αναφέρεται εδώ ως [TOMCAT_HOME] Αυτόματη εγκατάσταση Για να κάνετε αυτόματη εγκατάσταση ακολουθήστε τα εξής βήματα: 1. Ανοίξτε ένα command prompt π.χ. μέσω Start -> Run -> cmd 2. Κάντε cd στον φάκελο dist και εκτελέστε την εξής εντολή: spindles-install.bat "C:\Program Files\Apache Software Foundation\" 3. Ξεκινήστε το service του Tomcat (ή κάντε το restart αν έχει ήδη ξεκινήσει) Χειροκίνητη εγκατάσταση Για να κάνετε χειροκίνητη εγκατάσταση ακολουθήστε τα εξής βήματα: 1. Για να εγκαταστήσετε τη βάση δεδομένων, αντιγράψτε τον φάκελο db (που βρίσκεται κάτω από τον dist) κάτω από τον ίδιο φάκελο όπου εγκαταστάθηκε ο Tomcat. Π.χ. αν ο Tomcat εγκαταστάθηκε στον φάκελο C:\Program Files\Apache Software Foundation\Tomcat 6.0, τότε τα αρχεία της βάσης πρέπει να βρίσκονται στο C:\Program Files\Apache Software Foundation\db. Αν θέλετε να αλλάξετε την τοποθεσία των αρχείων της βάσης, τότε πρέπει να καθορίσετε την τοποθεσία των αρχείων στο αρχείο παραμετροποίησης της εφαρμογής, που λέγεται spindles.properties. Το αρχείο αυτό βρίσκεται στο dist\java\web\web-inf και θα πρέπει να αλλάξετε την προκαθορισμένη τιμή db.home=../../../../db στην επιθυμητή, π.χ. db.home=c:/spindles/db Σημείωση: Τα paths στο αρχείο παραμετροποίησης πρέπει να σημειώνονται με / και όχι με \, π.χ. C:/spindles/db και όχι C:\spindles\db 2. Για να εγκαταστήσετε τις βιβλιοθήκες που χρειάζονται για τη διεπαφή της Java με το Matlab, αντιγράψτε τα αρχεία που βρίσκονται κάτω από τον φάκελο dist\matlab\lib στο [TOMCAT_HOME]\lib. 3. Για να εγκαταστήσετε την web εφαρμογή, αντιγράψτε το αρχείο dist\java\spindles.war στον φάκελο [TOMCAT_HOME]\webapps. 4. Ξεκινήστε το service του Tomcat (ή κάντε το restart αν έχει ήδη ξεκινήσει)

61 Η εφαρμογή για να προσομοιώσει ένα νευρωνικό δίκτυο, μέσω του οποίου ανιχνεύονται οι άτρακτοι, χρησιμοποιεί τα συναπτικά βάρη και τις σταθερές που έχουν προκύψει από την εκπαίδευση του νευρωνικού δικτύου. Αυτά βρίσκονται στο αρχείο bptr.mat στην τοποθεσία [TOMCAT_HOME]\webapps\spindles\WEB-INF\resources Ο διαχειριστής της εφαρμογής μπορεί να αντικαταστήσει το αρχείο αυτό με κάποιο άλλο αντίστοιχο που έχει προκύψει από πιο αντιπροσωπευτική εκπαίδευση, ώστε να αλλάξει τη συμπεριφορά του νευρωνικού δικτύου

62 7 ΕΓΧΕΙΡΙΔΙΟ ΧΡΗΣΤΗ 7.1 Απαιτήσεις συστήματος Η διεπαφή του χρήστη με την εφαρμογή γίνεται μέσω ενός browser. Αν και έχει δοκιμαστεί μόνο με τον Internet Explorer 6 και τον Firefox 2, θα πρέπει να υποστηρίζει τους παρακάτω browsers: Firefox 1.0, 1.5, 2.0 Internet Explorer 6, 7 Safari 2.0 Opera 9.0 Για τη λειτουργία της εφαρμογής είναι απαραίτητο να είναι ενεργοποιημένη η JavaScript. Επίσης για την καλύτερη λειτουργία της, η οθόνη θα πρέπει να έχει ανάλυση και πάνω. 7.2 Οδηγίες χρήσης Εισάγοντας στο address bar του browser τη διεύθυνση του server όπου έχει εγκατασταθεί η εφαρμογή (π.χ. εμφανίζεται η οθόνη σύνδεσης με την εφαρμογή. Για να συνδεθείτε, εισάγετε το username/password που σας έχει δοθεί από τον διαχειριστή και κάντε κλικ στο Login. Εικόνα 24: Οθόνη σύνδεσης με την εφαρμογή

63 Αφού συνδεθείτε με την εφαρμογή, εμφανίζεται η κεντρική οθόνη της εφαρμογής. Στο επάνω δεξί μέρος της οθόνης εμφανίζεται το όνομα του χρήστη, ένα link μέσω του οποίου ο χρήστης μπορεί να αποσυνδεθεί από την εφαρμογή (Log Out) και ένα link για να δει πληροφορίες για την εφαρμογή (About). Στο αριστερό μέρος της οθόνης εμφανίζονται οι βασικές λειτουργίες της εφαρμογής κάτω από τον τίτλο Tasks. Αυτές είναι: Spindles Detection: Εμφανίζει τα αποτελέσματα από την επεξεργασία των ΗΕΓ δεδομένων. Data Import: Δίνει τη δυνατότητα για εισαγωγή των ΗΕΓ δεδομένων ενός ατόμου. Settings: Δίνει τη δυνατότητα για παραμετροποίηση της εφαρμογής. Users Management: Θα δίνει τη δυνατότητα για διαχείριση χρηστών (δεν έχει υλοποιηθεί). Στο κέντρο της οθόνης υπάρχει μια λίστα με τα στοιχεία όλων των ατόμων για τα οποία έχουν εισαχθεί και επεξεργαστεί ΗΕΓ δεδομένα στο σύστημα. Εικόνα 25: Η κεντρική οθόνη της εφαρμογής

64 7.2.1 Ανίχνευση ατράκτων (Spindles Detection) Κάνοντας κλικ πάνω σε κάποιο από τα στοιχεία ενός ατόμου εμφανίζονται στο επάνω μέρος της οθόνης αναλυτικά τα στοιχεία του ατόμου και στο κάτω, τα στοιχεία για τους ύπνους (sleep sessions) που έγινε καταγραφή ΗΕΓ data για το συγκεκριμένο άτομο, όπως είναι η ημερομηνία που έγινε η καταγραφή των ΗΕΓ data και η συχνότητα δειγματοληψίας των δειγμάτων. Εικόνα 26: Οθόνη με τα στοιχεία ενός ατόμου και των «ύπνων» του Χρησιμοποιώντας τις επιλογές από το μενού Tools μπορείτε να κάνετε τα εξής: Εικόνα 27: Επιλογές μενού για όλα τα στοιχεία ενός ατόμου

65 Spindles Report: Με αυτή την επιλογή μπορείτε να σώσετε στον τοπικό δίσκο ή να ανοίξετε με μία εφαρμογή όπως το Excel, ένα αρχείο (spindles.tsv) με την πληροφορία για τις ανιχνευμένες ατράκτους. Εικόνα 28: Πλαίσιο διαλόγου που προτρέπει τον χρήστη να σώσει το αρχείο με την πληροφορία των ατράκτων. Το αρχείο που παράγεται είναι σε tab delimited (tsv) format, ώστε να είναι εύκολη η εισαγωγή του σε εφαρμογές λογιστικών φύλλων (π.χ. Excel) ή στατιστικών πακέτων (π.χ. SPSS). Το αρχείο περιλαμβάνει την εξής πληροφορία (πεδία) ανά εγγραφή: Epoch Start Time: Χρόνος αρχής της εποχής στην οποία περιέχεται η άτρακτος Spindle Absolute Start Time: Απόλυτος χρόνος αρχής της ατράκτου. Spindle Relative Start Time: Χρόνος αρχής της ατράκτου, θεωρώντας ως αρχή του χρόνου την αρχή της εποχής. Spindle Absolute End Time: Απόλυτος χρόνος τέλους της ατράκτου. Spindle Relative End Time: Χρόνος τέλους της ατράκτου, θεωρώντας ως αρχή του χρόνου την αρχή της εποχής. Spindle Duration: Διάρκεια της ατράκτου (σε δευτερόλεπτα). ISI Duration: Χρονική διαφορά μεταξύ αυτής και της προηγούμενης ατράκτου. Η τελευταία εγγραφή περιέχει τα εξής πεδία: No of Epochs: Αριθμός των εποχών που περιέχονται στο αρχείο. No of spindles: Αριθμός των ατράκτων που περιέχονται στο αρχείο