Le sommeil est essentiel pour la santé humaine. Les troubles du sommeil sont de plus en plus répandus et deviennent progressivement un problème social qui ne peut être ignoré. Des efforts considérables ont été consacrés à la recherche et aux développements académiques et industriels sur les réseaux corporels sans fil pour la surveillance du sommeil en termes de non-intrusivité, de portabilité et d'autonomie. Tout d'abord, cette thèse passe en revue les recherches récentes sur la surveillance du sommeil afin de connaître l'état actuel de la recherche et de recueillir des informations pour les travaux futurs. Des critères de sélection spécifiques ont été choisis pour inclure des articles dans lesquels les systèmes ou dispositifs de surveillance du sommeil sont couverts.
Les contributions de la thèse sont principalement axées sur 3 volets :
- La mise en œuvre d'une architecture matérielle complète pour la surveillance du sommeil basée sur un réseau IoT. Elle est basée sur le développement de patchs autonomes embarqués, sur le corps (poitrine, poignets, pieds) pour mesurer les mouvements et la température, et dans l'environnement proche du sujet pour mesurer le niveau ambiant (son, luminosité, température). Ces capteurs sans fil collectent des données en continu pendant la nuit et les transmettent automatiquement à une base de données distante pour les afficher sur un tableau de bord à l'intention du médecin. Deux applications ont été conçues : une interface web et une application Androïd. Des tests en laboratoire ont démontré la faisabilité technique.
- La proposition de deux méthodes originales pour la classification des stades du sommeil (méthodes basées sur les seuils et sur le partitionnement k-means). Dans ce travail, les algorithmes proposés n'utilisent que des données sur l'accélération du poignet non dominant. Les calculs conduisent à une classification en 4 stades de sommeil ("éveillé", "sommeil léger", "sommeil profond" et "REM-mouvement rapide des yeux") pour le sommeil nocturne. Nous validons nos méthodes en nous référant aux résultats obtenus par deux appareils commerciaux "Fitbit" et "Withings Sleep Analyzer" et aux commentaires subjectifs de volontaires sur leurs sentiments concernant la qualité de leur sommeil. Nos algorithmes calculent la durée cumulée de chaque stade du sommeil afin d'évaluer les changements de la qualité du sommeil entre les différentes nuits. Deux volontaires ont effectué des tests pendant 7 et 10 nuits pour vérifier la performance des deux algorithmes.
- La proposition et la définition d'indicateurs de sommeil qui permettront de décrire l'état de sommeil (positions de sommeil, stades de sommeil, ronflements et mouvements périodiques des jambes) et sa qualité via le calcul d'un score de sommeil basé sur la durée de chaque stade de sommeil. Cinq volontaires ont été recrutés pour les tests. Au cours des 15 nuits de test, l'algorithme proposé, basé sur le partitionnement k-means, a montré des performances supérieures ou équivalentes par rapport aux résultats de l'outil "Fitbit". En outre, pour évaluer les performances du système proposé en termes de classification des stades du sommeil, nous avons comparé notre appareil à au gold-standard clinique (Polysomnographie PSG) sur un sujet pendant une nuit à la clinique du sommeil de l'hôpital Purpan de Toulouse.
Enfin, nos travaux ont montré qu'il était possible de disposer d'un système léger, non intrusif et autonome pour la surveillance continue du sommeil à domicile. Des tests comparatifs sur une population plus large restent à réaliser pour évaluer les performances du système et envisager des perspectives d'utilisation industrielle. |
Sleep is essential for human health. Bad sleep and sleep disorders have been increasingly prevalent and are gradually becoming a social problem that cannot be ignored. Considerable effort has been devoted to academic and industrial research and development on wireless body networks for sleep monitoring in terms of non-intrusiveness, portability and autonomy. First of all, this thesis reviews current research on sleep monitoring in order to know the current state of research and to collect insights for future work. Specific selection criteria were chosen to include articles in which sleep monitoring systems or devices are covered.
The contributions of the thesis are mainly focused on 3 areas:
- The implementation of a complete hardware architecture for sleep monitoring based on an IoT network. It is based on the development of embedded autonomous patches, on the body (chest, wrists, feet) to measure movements and temperature, and in the environment close to the subject to measure the ambient level (sound, luminosity, temperature). These wireless sensors collect data continuously during the night and automatically transmit them to a remote database for display on a dashboard for the doctor. Two applications have been designed: a web-based interface and an Androïd application. Laboratory tests demonstrated the technical feasibility.
- The proposal of two original methods for the classification of sleep stages (threshold-based methods and k-means clustering). In this work, the proposed algorithms use only non-dominant wrist acceleration data. The calculations lead to a classification into 4-sleep stages ("awake", "light sleep", "deep sleep" and "REM") for night sleep. We validate our methods by referring to the results obtained by two commercial devices "Fitbit" and "Withings Sleep Analyzer" and to subjective comments from volunteers on their feelings about the quality of their sleep. Our algorithms calculate the cumulative duration of each sleep stage to evaluate changes in sleep quality between different nights. Two volunteers carried out tests for 7 and 10 nights to verify the performance of the two algorithms.
- The proposal and definition of sleep indicators that will make it possible to describe the sleep state (sleep positions, sleep stages, snoring and periodic leg movements) and its quality via the calculation of a sleep score based on the duration of each sleep stage. Five volunteers were recruited for the tests. Over the 15 nights of testing, the proposed algorithm based on the k-means clustering showed superior or equivalent performance compared to the results of the "Fitbit" tool. In addition, to evaluate the performance of the proposed system in terms of sleep stage classification, we compared our device to the clinical gold standard (PSG Polysomnography) on a subject during one night at the sleep clinic of the Purpan hospital in Toulouse.
Finally, our work showed that it was possible to have a lightweight, non-intrusive, autonomous system for continuous sleep monitoring at home. Comparative tests on a larger population remain to be carried out to evaluate the performance of the system and to envisage prospects for industrial use. |