INOM EXAMENSARBETE ELEKTRONIK OCH DATORTEKNIK,GRUNDNIVÅ, 15 HP

, STOCKHOLM SVERIGE 2018

Implementation av portabla REM-identifierande sensorerUndersökning kring lämpliga, icke-påträngande metoder för REM-igenkänning

YOBART AMINO

DANIEL FÄLDT-HOOSHIDAR

KTHSKOLAN FÖR ELEKTROTEKNIK OCH DATAVETENSKAP

KTH ROYAL INSTITUTE OF TECHNOLOGY

E L E K T R O T E K N IK O C H D A T A V E T E N S K A P

Abstract

Trötthet i trafiken är ett stort problem i samhället. Det är särskilt farligt att trött framföra tunga lastbilar i trafiken eftersom dessa fordon är stora och har ofta livsavgörande roller vid inblandning i trafikolyckor. För att angripa problemet har det i denna rapport studerats kring vilket sömnstadie som är lämpligast att vakna under, i syfte att vakna pigg och alert samt vilka typer av tekniker och metoder som är lämpliga för att portabelt kunna detektera Rapid-Eye-Movement. Tidigare arbeten och studier har gjorts som påvisar att uppväckning i REM-sömn är optimalt för att känna sig alert. De valda metoderna är baserade på varianter av väletablerade tekniker som används för identifiering av sömnsteg. Elektrookulografi används för att mäta ögonrörelser med hjälp av fyra elektroder som är placerade på huvudet. Kroppsrörelser upptäcks genom en accelerometer som fästs på armen. Pulsmätningar görs och används för att räkna ut pulsvariansen under sömnen. Målet är att skapa en prototyp som ska känna av när användaren är i REM-sömn och sedan väcka användaren.

Detta arbete är uppdelat i två inbyggda system som görs mellan två olika examensarbeten. Resultatet blev tre sensorer som fungerar individuellt. På grund av tidsbrist och en längre felsökning blev prototypen inte färdigställd. Innan sensorerna kan tillämpas i en produkt krävs det att ytterligare tester genomförs under monitorering av en sömnspecialist.

Nyckelord REM - Rapid Eye Movement; NREM – Non-Rapid Eye Movement; PSG – Polysomnografi; EOG - Elektrookulografi; EKG - Elektrokardiografi; EEG - Elektroencefalografi; EMG - Elektromyografi; PPG - Fotopletysmografi; MEMS – Mikroelektromekaniska system; Sömn; Inbyggda System; Sensorbaserade System; Trafiksäkerhet

Abstract

Tiredness in traffic is a major problem in society. It is especially dangerous to drive heavy trucks when tired because these vehicles are large and often have vital roles when involved in traffic accidents. To address the problem, this degree project has studied which sleep stage is most appropriate to wake up during, in order to wake up sharp and alert, and what types of techniques and methods are suitable for portable detection of Rapid-Eye-Movement. Previous work and studies have been done which indicates that awakening during REM sleep is optimal for feeling alert. The chosen methods are based on variants of well-established techniques that are used to identify sleep stages. Electrooculography is used to measure eye movements using four electrodes placed on the head. Body movements are detected by an accelerometer attached to the arm. Pulse measurements are made and used to calculate the pulse variation during sleep. The goal is to create a prototype which will know when the user is in REM sleep and then wake the user up. This work is divided into two embedded systems that are made between two different degree projects. The result was three sensors that worked individually. Due to lack of time and a longer troubleshooting, the prototype was not completed. Before the sensors can be used in a product, additional tests are required under the supervision of a sleep specialist. Keywords REM - Rapid Eye Movement; NREM – Non-Rapid Eye Movement; PSG – Polysomnography; EOG - Electrooculography; EKG - Electrocardiography; EEG - Electroencephalography; EMG - Electromyography; PPG - Photoplethysmography; MEMS – Microelectromechanical systems; Sleep; Embedded Systems; Sensor Based Systems; Traffic safety

Innehållsförteckning

1 Introduktion ................................................................................................................ 1 1.1 Bakgrund .......................................................................................................................... 1 1.2 Problem............................................................................................................................. 2 1.3 Syfte .................................................................................................................................... 3 1.4 Mål ...................................................................................................................................... 3

1.4.1 Samhällsnytta, Etik och Hållbarhet ................................................................................. 3 1.5 Metodologi / Metoder .................................................................................................. 3 1.6 Avgränsningar ................................................................................................................ 4 1.7 Disposition ....................................................................................................................... 5

2 Teori – Detektering av sömnstadier.................................................................... 6 2.1 Polysomnografi .............................................................................................................. 6 2.2 Elektroencefalografi ..................................................................................................... 7 2.3 Elektrookulografi .......................................................................................................... 8 2.4 Elektromyografi ............................................................................................................. 9 2.5 Rörelse och puls ............................................................................................................. 9 2.6 Respiratorisk dynamik.............................................................................................. 11 2.7 Relevanta arbeten ....................................................................................................... 11

2.7.1 Detection of Rapid-Eye Movements in Sleep Studies ............................................11 2.7.2 Automatic Detection of sleep macrostructure based on a sensorized T-shirt 12 2.7.3 Detection of REM in Sleep EOG Signals .......................................................................12

3 Metoder och metodologier .................................................................................. 13 3.1 Sensorer .......................................................................................................................... 13

3.1.1 EOG-sensor ..............................................................................................................................14 3.1.2 Puls- och rörelsesensor......................................................................................................14

3.2 Datainsamling ............................................................................................................... 15 3.3 Dataanalys ..................................................................................................................... 16 3.4 Datavalidering .............................................................................................................. 16

4 Implementering ....................................................................................................... 19 4.1 Elektrookulografi ........................................................................................................ 19

4.1.1 Differentiell förstärkning ..................................................................................................19 4.1.2 Filter ...........................................................................................................................................21 4.1.3 Slutförstärkning ....................................................................................................................24 4.1.4 Kretsschema ...........................................................................................................................25 4.1.5 Elektroder ................................................................................................................................27

4.2 Puls ................................................................................................................................... 27 4.3 Rörelse ............................................................................................................................ 28 4.4 Felsökning och simulering av EOG-sensor ......................................................... 28

5 Resultat ....................................................................................................................... 31 5.1 Resultat av EOG-sensor ............................................................................................. 31 5.2 Resultat av Accelerometer ....................................................................................... 32 5.3 Resultat av PPG-sensor ............................................................................................. 33 5.4 Felsökning och simulering ....................................................................................... 34

6 Diskussion ................................................................................................................. 36 6.1 EOG-sensor..................................................................................................................... 36

6.1.1 Elektroder ................................................................................................................................37 6.2 PPG-sensor samt Accelerometer ........................................................................... 38

6.3 Validering av sensorer samt REM-sömn ............................................................. 38 6.4 Projektets slutsatser och utvärdering ................................................................. 38

7 Referenser ................................................................................................................. 40

1

1 Introduktion

Idag finns det cirka 83,000 registrerade tunga lastbilar i Sverige [1]. Dessa lastbilar körs långa sträckor med korta pauser för att maximera lönsamheten för företaget. Det finns idag regler kring kör- och vilotider för vägtransporter med fordon med en totalvikt över 3,5 ton [2]. Enligt transportstyrelsens regelverk får chaufförer köra högst 4,5 timmar innan de måste ta en paus på minst 45 minuter, alternativt en mindre rast på 15 minuter följd av en körperiod och en rast på 30 minuter. Efter 9 timmars körning måste chauffören dock ta en längre dygnsvila på minst 11 timmar. Problemet med att ta en kort rast och sova är att chauffören kan vakna trött och behöva mer sömn än vad han/hon har tid med. Detta medför att det förekommer trötta lastbilschaufförer sitter bakom ratten när de egentligen borde, ur trafiksäkerhetsperspektiv, ta en längre rast och sova.

För att kunna utnyttja rasten på ett optimalt sätt, det vill säga att sova en kort tid och vakna pigg, kommer detta examensarbete och denna rapport att designa, konstruera och presentera en prototyp. Prototypen har i syfte att väcka en sovande chaufför vid rätt tidpunkt på ett behagligt sätt så att varken körtiden eller piggheten kompromissas. En förstudie gjordes i början av arbetet för att samla in information kring rätt tidpunkt att vakna, vilken metodik som skulle användas samt hur prototypen skulle utvecklas och tillämpas. Det finns olika metoder som kan användas för att nå projektets mål. Dessa metoder diskuteras i detalj i kapitel 3.

1.1 Bakgrund

Sömnen kan delas in i olika steg, där Rapid Eye Movement (REM) är ett av stegen. Det finns studier som påvisar att en person som vid uppväckning i REM-sömn känner sig pigg och alert [3], [4]. De stegen sömnen delas in i består av steg 1 upp till steg 4 samt REM-sömn [5]. Steg 1, 2, 3 och 4 benämns även Non-Rapid Eye Movement (NREM). Steg 3 och 4 slås ofta ihop till ett steg som kallas djupsömn. I denna rapport kommer djupsömnen benämnas steg 3, enligt figur 1 nedan. Steg 1 är övergångssteget från vaket tillstånd till sömn. Pulsen, andningen och ögonrörelser saktar här ner. I steg 2 är kroppen i lätt sömn och kroppens puls och andning saktas ner, och muskelaktivitet minskar ytterligare. Hjärnaktivitet minskar och ögonrörelse slutar helt. Steg 3 sömn är perioden då kroppen får djupsömn. I denna period är puls och andning som lägst och muskler är som mest avslappnade. Hjärnaktiviteten minskar ju djupare sömn en person hamnar i. Under REM sömn närmar sig puls, andning och blodtryck samma nivåer som vid vaket tillstånd. Ögonen börjar röra sig i slumpartade rörelser och kroppen paralyserar musklerna för att inte agera ut drömmar [5].

2

Figur 1. De olika sömnstegen samt deras ordning

Något som skiljer sömnstadierna markant är ögonrörelser. Ögonen rör sig ofrivilligt endast under REM-sömnen. Genom att använda elektrookulografi (EOG) går det att mäta denna ögonrörelse [6]. Ögats hornhinna har en potentialskillnad mot näthinnan som gör att ögat kan ses som ett batteri. Om elektroder läggs på huden vid tinningarna går det att mäta riktningen av potentialen och således horisontella ögonrörelser, mer om detta presenteras i kapitel 2.3. Pulsen minskar under de tre första stadierna och under REM-sömnen är pulsen mer lik vaket tillstånd. Detta gör att det teoretiskt går att mäta puls för att identifiera vilket sömnstadie en person befinner sig i. Eftersom kroppen paralyserar musklerna under REM-sömnen kan det med hjälp av rörelsedetektorer kännas av rörelser och på så sätt hjälpa till att identifiera REM-sömn.

1.2 Problem

Om lastbilschauffören skulle stanna för att sova under en rast finns det två självklara komplikationer, den ena är förseningar som leder till kostnader för företaget. Den andra är att vakna upp och fortfarande uppleva trötthet, och därmed utgöra en trafikfara om lastbilen framförs. Problemet är då en trött chaufför väljer att inte stanna och sova på grund av dessa två faktorer. Eftersom det finns många olika metoder att implementera sensorer med projektets mål så gäller det att hitta en metod som passar in på projektets tidsbegränsning och specifika krav som tas upp i kapitel 3.

3

Baserat på tidigare arbeten och studier kring sömn och det bästa tillfället att vakna mer alert, hur kan ett sådant tillfälle identifieras när det uppstår? Hur ska sensorer implementeras i ett portabelt inbyggt system för att påvisa att användaren befinner sig i REM-sömn?

1.3 Syfte

Syftet med examensarbetet är att utveckla en prototyp som ska användas av lastbilschaufförer så att deras körsträckor inte påverkas av trötthet samtidigt som trafiksäkerheten ökar. Tanken med prototypen är att den ska identifiera när en användare befinner sig i REM-sömn och därefter väcka användaren, så att användaren ska vakna pigg och alert.

1.4 Mål

Målet är att undersöka de tekniska möjligheterna att utveckla portabla sensorer för att påvisa REM-sömn. En prototyp ska utformas för att testa tekniken och väcka en användare som befinner sig i REM-sömn. Det önskade resultatet är att personen ska känna sig vaken och alert när prototypen väcker honom/henne.

1.4.1 Samhällsnytta, Etik och Hållbarhet

Tanken är att lastbilschaufförer ska använda prototypen och på så sätt kunna ta välbehövda raster utan att behöva tänka på eventuella förseningar som uppstår på grund av trötthet. Tanken är inte att använda prototypen för att ersätta dyngssömn eftersom extrem sömnberövning kan leda till bl.a. kognitiva komplikationer och nedsättningar [7]. Eftersom elektroderna som används är direkt kopplade mot huden så finns det regelverk som måste följas. Dessa regelverk finns till för att begränsa strömmarna i elektroderna och öka användarsäkerheten. Prototypen måste uppfylla internationella krav som är baserade på IEC standarden på maximalt 50 μA genom elektroder som är placerade på patienter [8].

1.5 Metodologi / Metoder

Eftersom valet av metoder och metodologier påverkar utfallet av examensarbetet är det viktigt att relevanta metoder och metodologier används [9]. Det är nödvändigt att avgöra om examensarbetets metodologi är kvantitativt eller kvalitativt. Kvantitativa studier granskar hypoteser genom stora datamängder och statistik [9]. Syftet med en kvantitativ studie är att projicera slutsatser av en mindre grupp på en större grupp. Detta görs oftast genom undersökningar av en delmängd av den större gruppen. Resultaten analyseras och sannolikheten att slutsatserna kan återspeglas i den större gruppen avgörs [10]. En kvalitativ studie kännetecknas av undersökningar och

4

analys av små datamängder. Syftet med en kvalitativ studie är att få förståelse för en företeelse och skapa hypoteser och teorier eller utveckla produkter och system [9]. Oavsett kvantitativ eller kvalitativ så är målet med metodologin att fastställa resultat med övertygande bevis för att besvara problemfrågeställningen [10]. Med denna rapports mål i åtanke så är metodologin för examensarbetet kvalitativ. Undersökningsmetoder tillhandahåller olika tillvägagångssätt att fullfölja uppgifterna som krävs för att slutföra undersökningen. Enligt Håkansson [9] är en tillämpad undersökningsmetod en metod för att svara på specifika frågor eller ett känt och praktiskt problem. En tillämpad undersökningsmetod passar detta examensarbete då de tekniska möjligheterna kring att utveckla portabla REM-identifierande sensorer ska undersökas. Eftersom examensarbetet samlar data genom en kvalitativ metod samt att data är begränsat till resultatet av sensorerna så är förfarandet för att etablera validitet induktivt. Detta till skillnad från deduktion, som används i kvantitativa metoder med stora datamängder [9]. Metoder kring datainsamling, dataanalys samt datavalidering presenteras i kapitel 3. För att få en bra informationsgrund om REM-sömn och tidigare liknande arbeten gjordes en förstudie. I förstudien sammanställdes relevanta referenser i ett dokument som sedan granskades. Hela arbetet baseras på de valda referenserna i förstudien. Med en bra informationsgrund genomfördes arbetet enligt en SCRUM-liknande modell. Delar ur SCRUM-metoden följs men dessa är modifierade till att fungera i en grupp på två personer. Arbetsgången följer likt SCRUM en iterativ arbetsplan med korttidsmål samt långtidsmål. Istället för att använda en tavla, där medlemmar håller koll på vilka uppgifter som är aktuella, används ett dokument där arbetsmomenten definieras. Båda gruppmedlemmarna samarbetar med momenten och därför anses ett dokument tillräckligt för examensarbetet.

1.6 Avgränsningar

Med tanke på tidsbegränsningen har prototypen delats upp i två examensarbeten, även kallade moduler. Den ena modulen (modul 1) kommer enbart att fokusera på sensorer för igenkänning av REM-sömn medan den andra modulen (modul 2) kommer inrikta sig på en algoritm för igenkänning av REM-sömn samt uppväckning. I denna rapport kommer bara den förstnämnda modulen att presenteras. Hur väckningen av användaren sker samt hur de olika sensorernas signaler vägs in för att avgöra om REM-sömn inträffat presenteras alltså i ett annat examensarbete på KTH parallellt med detta examensarbete.

I den andra modulen utvecklas ett armband som i syfte har att väcka användaren på ett lämpligt sätt. Dessa två moduler kommunicerar med varandra, där denna modulens sensorer individuellt uppskattar om REM-sömnen inträffar under en viss tidsperiod eller inte. Denna information

5

skickas senare till den andra modulen som med hjälp av en algoritm avgör om användaren ska väckas eller inte.

1.7 Disposition

I nästa kapitel presenteras teorin för olika REM-igenkänningsmetoder. Kapitel 3 presenteras de metoder och metodologier som har använts för att genomföra examensarbetet. Även val av sensorer presenteras och redogörs i det kapitlet. I kapitel 4 presenteras designen, konstruktionen och implementeringen av sensorerna som ska ingå i prototypen. Kapitel 5 presenterar resultaten och avslutningsvis innehåller kapitel 6 diskussion och slutsatser.

6

2 Teori – Detektering av sömnstadier

I detta kapitel tas det upp hur olika tekniker och metoder kan användas för att detektera REM-sömn. Prototypen består av sensorer vars uppgifter är att detektera när en person befinner sig i REM-sömn. Som nämnt i kapitel 1.1 (bakgrund) finns det flera olika fenomen som kan utnyttjas för att upptäcka REM-sömn.

2.1 Polysomnografi

Polysomnografi (PSG) är en teknik som består av flera oberoende tester för övervakning och analysering av olika kroppsfunktioner under sömn. PSG används som standard för identifiering av de olika sömnstadierna [11]. PSG används även för göra en bedömning av sömnkvalité samt för att identifiera sömnstörningar [12], [13]. I listan nedan markeras tekniker som är väletablerade i PSG med fetstil, resterande används beroende på patientsituation. Testerna som görs och information som samlas under en PSG undersökning är bland annat [12], [13]:

• Elektroencefalografi, EEG - Görs för att registrera hjärnvågornas aktivitet under sömnen i syfte att identifiera sömnstadier.

• Elektrookulografi, EOG - Spelar in ögonrörelser för att kunna urskilja de olika sömnstadierna, specifikt REM-sömn.

• Elektromyografi, EMG - Registrerar olika muskelaktiviteter, såsom ansiktsryckningar, gnissling av tänder samt rörelser av lemmar. EMG kan även placeras på hakan för att urskilja REM från vakenhet.

• Elektrokardiografi, EKG - Mäter pulsen med hjälp av elektroder på bröstkorgen.

• Pulsoximetri - Ett mätinstrument som räknar ut syremättnaden i blodet.

• Respiratorisk dynamik - Mäter ansträngningen på andningen i bröstkorgen och buken.

• Kapnografi - Mäter koldioxidmängden i utandningsluften.

• Mikrofon - Spelar in volymen av snarkandet under sömnen.

• Videokamera - Spelar in video för att möjliggöra studerandet av kroppsposition och rörelse.

• Termometer - Mäter aktuella och förändringen av kroppstemperaturen.

• Toleranstest för ljusintensitet - Används för att avgöra ljusintensitetens påverkan på sömnen.

• Luftflödessensor - registrerar nasala och orala luftflödet samt andningsfrekvensen.

• Blodtrycksmätare - mäter blodtrycket och förändringarna i blodtrycket.

Alla dessa sensorer kan användas för att identifiera de olika sömnstadierna. All data spelas in på en kontinuerlig graf som avläses av en polysomnografisk

7

specialist som sedan analyserar och diagnostiserar patienten [14]. De fysiologiska egenskaperna som påverkar sensorerna och mätningarna ovan registreras och analyseras under sömn. De sömnstörningar som PSG kan diagnostisera är [14]:

• Sömnapné - Detta är ett fenomen där kroppen gör ett längre andningsuppehåll under sömnen. Även andra andningsstörning relaterad till sömn kan diagnostiseras.

• Sömnmyokloni - Ofrivilliga benrörelser under sömnen som gör att kroppen börjar sträcka och spänna benen.

• REM-sömnbeteendeströning - En sömnstörning som innebär att kroppen lever ut drömmar.

• Nakolepsi - Överväldigande trötthet under dagtid och plötsliga sömnattacker.

2.2 Elektroencefalografi

Hjärnans elektriska signaler är ständigt aktiva, även under sömnen. De elektriska signalerna, som även kallas hjärnvågor, består av olika frekvenser och amplituder som varierar under sömnens olika stadier [15]. Eftersom hjärnvågorna går att mäta med hjälp av elektroencefalografi (EEG) går det även att avgöra i vilket sömnstadie en person befinner sig i. Genom att placera ut vanligtvis 20 elektroder runt omkring på skalpen och mäta spänningarna samt frekvenserna på hjärnvågorna avgörs de olika sömnstadierna. De flesta hjärnvågorna varierar mellan 0,5–500 Hz. När EEG används för att analysera sömn så fokuseras det huvudsakligen på dessa hjärnvågor och frekvenser [16]:

• Betavågor: >13 Hz

• Alfavågor: 8–13 Hz

• Thetavågor: 3,5–7,5 Hz

• Deltavågor: <3 Hz För att avgöra om en användare är i steg 1 av sömnen så undersöks alfa- och thetavågorna. Detta steg utgör vanligtvis 4–5% av den totala sömnen. Steg 2 sömn utgörs av högre spänningar än steg 1 och där förekommer det spikar i hjärnaktiviteten kring 12–14 Hz. Under en hel natts sömn består ungefär 45–55% av sömnen av steg 2. Steg 3 består av 20–50% deltavågor med frekvensen mindre än 2 Hz samt amplituden 75 µV eller mer. Själva REM-sömnen, som detta arbete fokuserar på, liknar steg 1 med avseende på hjärnvågornas egenskaper. Eftersom steg 1 och REM-sömnen har liknande egenskaper i EEG-signalen så kan distinktion av stegen vara komplicerat [16].

8

2.3 Elektrookulografi

När ljus når ögat är det ögats iris, se figur 2, som avgör hur mycket ljus som tas in. Detta ljus fokuseras och inverteras av hornhinnan. Sedan projicerar linsen ljuset på näthinnans mittpunkt där ögat får bäst skärpa. Näthinnan består av sju lager alternerande celler och processer som konverterar ljuset till neurologiska signaler. På grund av en högre ämnesomsättning i näthinnan jämfört med hornhinnan resulterar det en spänningsskillnad mellan de [17]. Elektrookulografi (EOG) nyttjar den elektriska dipol som genereras av ögats polarisering. Denna spänning kan mätas på huden kring ögonen genom användandet av elektroder.

Figur 2. Ögats anatomi

Spänningen mellan ögats näthinna och hornhinna ligger mellan 0,4 till 1 mV och ligger ungefär linjärt med var ögat kollar, det vill säga att spänningsskillnaden följer ögats riktning. Alltså går det att, genom att mäta potentialskillnaden, avgöra när ögat tittar i olika riktningar genom att placera elektroder på huden runt ögonen. De faktiska spänningarna som elektroderna kan mäta ligger mellan 15 till 200 µV och måste förstärkas innan det går att processa signalerna [18]. Med rätt kalibrering och filtrering kan ögats orientering ner till 2 grader horisontellt och 1,5 grader vertikalt räknas ut. Signalen som tas upp av elektroderna kan tas upp enskilt från vardera öga men eftersom ögonen är binokulärt synkrona kan båda ögonens potential användas för att mäta rörelse i både höger och vänster riktning [17]. Beroende på hur många elektroder som placeras samt var de placeras avgör hur precisa ögonrörelser EOG-sensorn kan känna av [19].

9

2.4 Elektromyografi

Elektromyografi (EMG) är teknik för studering av musklernas elektriska signaler, något som även kallas för myoelektrisk aktivitet. Då muskelvävnad leder elektriska potentialer som liknar nervsignaler kan EMG elektroder placeras på musklerna och på så vis läsa av potentialskillnader som skapas av muskelaktivitet. Vid detektering av EMG signaler finns det ett vanligt problem som påverkar trovärdigheten av signalen. Det problemet är signal-brus-förhållandet, som är förhållandet mellan energin i EMG-signalen och energin i bruset. Bruset kan definieras som alla de elektriska signaler som inte är önskade i EMG-signalen [20]. Brus är inte ett specifikt fall för just EMG, utan existerar för många olika sensorer och kan elimineras med hjälp av filtrering av signalen. EMG är en teknik som används inom PSG för att identifiera de olika sömnstadierna. En polysomnografisk tekniker läser av EMG-signalen, tillsammans med andra signaler som fås ut av PSG, och avgör när REM- och NREM-stadierna inträffar [21].

2.5 Rörelse och puls

Det finns även tekniker utöver konventionella PSG som kan användas för att klassificera sömnstegen. Med tanke på att kroppens rörelser undertrycks under REM-sömnen skulle mikroelektromekaniska system (MEMS), som till exempel accelerometrar eller gyroskop, kunna användas som ett billigare men mindre pålitligt alternativ för EMG. Genom att använda MEMS tillsammans med andra metoder som påvisar REM-sömn går det att säkerställa med högre sannolikhet att REM-stadiet verkligen inträffar [22]. Även hjärtpulsen varierar mellan REM och NREM sömn [23]. Traditionellt sett används elektrokardiografi (EKG) för att känna av den elektriska potential som genereras av hjärtslag. Ett komplett hjärtslag består av flera toppar, eller segment. Dessa benämns P, QRS-komplex samt T, se figur 3 nedan. R-R intervallet är tidsintervallet mellan två hjärtslag. Genom att mäta R-R intervallet samt analysera hur det varierar med tiden kan information fås som hjälper till att avgöra om användaren är i REM eller NREM sömn [23].

10

Figur 3. Vågor och intervaller för ett hjärtslag

Att kombinera registrering av rörelseaktivitet i form av MEMS med hjärtpuls som metoder för REM igenkänning är inte så vanligt men de kan användas för att med större säkerhet påvisa när REM-stadiet sker [22]. Det finns flera metoder att mäta puls på, bland annat EKG som tidigare har tagits upp. EKG kräver elektronik med hög känslighet för låga spänningar. Fotopletysmografi (PPG, från eng. photoplethysmography) är en icke-invasiv teknik som kan användas för att optiskt mäta pulsen, vanligtvis genom att sätta sensorn på fingertoppen, enligt figur 4 nedan. På undersidan av fingrets topp placeras en LED ljuskälla och en fotodiod.

Figur 4. Placering av lys- och fotodiod för mätning av hjärtslag

Det ljuset som reflekteras tillbaka till fotodioden från lysdioden varierar eftersom att blodådrorna tjocknar med varje hjärtslag och då absorberas mer ljus, eftersom ljuset måste färdas genom ett tjockare lager [24]. Genom att mäta pulsen och därefter beräkna dess varians över en tidsperiod bestämmas pulsvariansen enligt formlerna (1), (2) och (3) nedan. Det som beräknas är standardavvikelsen s och variansen 𝑠2 . 𝑥 är det statistiska väntevärdet.

11

𝑥 =

1

𝑛∗ ∑ 𝑥𝑘

𝑛

𝑘=1

(1)

𝑥2 =1

𝑛∗ ∑ 𝑥𝑘

2

𝑛

𝑘=1

(2)

𝑠2 =1

𝑛 − 1∗ ∑(𝑥𝑘 − 𝑥)2 =

1

𝑛 − 1∗ (𝑥2 − (𝑥)2)

𝑛

𝑘=0

(3)

Efter att variansen har beräknats ur ekvation (3) kan den analyseras för att avgöra om användaren är i REM sömn eller inte. Detta görs genom att sätta ett minsta värde för variansen som kriterium för REM-sömn enligt M. Yaso et al. [23].

2.6 Respiratorisk dynamik

En annan metod för att påvisa REM-sömn är att mäta hur andningen varierar under sömnen. Under REM-sömnen är andningsvariationen högre jämfört med de andra sömnstegen. Genom att placera temperaturgivare nära munnen eller näsan går det att mäta respiratoriska dynamiken, det vill säga hur andningen varierar. En annan metod är att placera sensorer på buken eller bröstkorgen för att känna av volymändringar i lungorna i samband med andning, detta görs vanligtvis inom PSG. Genom att kombinera båda dessa metoder går det att med större säkerhet avgöra hur användarens respiratoriska dynamik varierar [11].

2.7 Relevanta arbeten

Det finns liknande arbeten som använder sig av de ovannämnda metoderna. För att förstå hur dessa metoder kan implementeras samt hur resultatet av de implementationerna blev så tas några tidigare arbeten upp i detta delkapitel.

2.7.1 Detection of Rapid-Eye Movements in Sleep Studies

R. Agarwal et al. [25] gjorde en REM-detektions algoritm som använder sig av förinspelad data som är insamlat med hjälp av EOG. I studien undersöktes sömnen under 10 nätter. Som filtrering av signalen används ett 0,1 Hz andragrads högpassfilter samt ett 35 Hz lågpassfilter. Författarna av studien presenterar en automatisk REM-detektions algoritm med parametrar som kan justeras för att optimera algoritmen. Slutresultatet blev en REM-

12

sömnalgoritm som lyckades upptäcka 76,9% av de samtliga REM-stadierna som hade samlats in.

2.7.2 Automatic Detection of sleep macrostructure based on a sensorized T-shirt

Genom att kombinera olika metoder för REM igenkänning ges en högre sannolikhet att korrekt kunna urskilja REM-sömn från NREM-sömn. A. M. Bianchi et al. [26] använde en T-shirt med flera inbyggda sensorer för att kunna identifiera REM-sömn. Sensorerna i T-shirten bestod av hjärtpulssensorer, andningssensorer samt rörelsesensorer. För hjärtpulsen användes R-R intervallets medelvärde över 30 sekunder för att uppskatta pulsen. För både andning och rörelse användes en accelerometer som känner av rörelser i 3 dimensioner. Studien testades dock inte, likt detta arbete, mot en PSG metod för att avgöra noggrannheten av uppskattningen av REM och NREM sömn. Detta bör göras om ett mått på precision och noggrannhet för sensorerna önskas.

2.7.3 Detection of REM in Sleep EOG Signals

A Coskun et al. [27] gjorde en studie för att kunna identifiera när en person hamnar i REM- och NREM-sömn. I studien har författarna endast använt EOG för att identifiera REM- och NREM-sömn. Författarna studerar signalens tid- och frekvensdomän med ett bra resultat och hög noggrannhet, hela 89,62 %. Detta är relevant då dessa signaler kommer att studeras i detta examensarbete för att identifiera REM-sömn.

13

3 Metoder och metodologier

Detta kapitel kommer att presentera och motivera sensorerna valda för att uppnå examensarbetets mål samt de vetenskapliga metoder och metodologier som arbetet grundar sig på.

Detta examensarbete är genomfört med hjälp av vetenskapliga metoder för att uppnå ett resultat som är välgrundat och underbyggt av en kvalitativ undersökning. Som nämnts i kapitel 1.5 så kommer vetenskapliga metoder som beskrivs av Håkansson [9] att tillämpas. Dessa kommer att förklaras i detta kapitel gällande datainsamling, dataanalys samt datavalidering.

3.1 Sensorer

En av de effektivaste teknikerna för att bedöma sömnstadier är PSG [12]. Problemet med PSG är att det involverar ett flertal dyra sensorer och elektroder som måste fästas utspritt på användarens kropp. Detta kan påverka sömnkvaliteten negativt för användaren. Utrustningen för PSG är ofta otymplig och dyr och används till största del i sjukhusmiljö [12]. Av dessa anledningar är det att föredra att utveckla en portabel och mer lättanvänd variant av PSG. På grund av detta kommer examensarbetets fokus ligga på en prototyp som består av tre sensorer: en EOG-sensor, en pulssensor (PPG) och en rörelsesensor (accelerometer). Prototypen är tänkt att användas under sömn i en lastbil och behöver därmed vara portabel, bekväm och icke-invasiv. Detta har varit grunden för vilka sensorer som har övervägts att implementeras. Just dessa tre sensorer har valts på grund av att de anses lämpliga för examensarbetets omfattning, begränsning och tidsram samt att de anses tillsammans kunna uppfylla målet. Dessa sensorer valdes även eftersom de ska användas under sömn och är mindre påträngande än traditionell PSG, som använder sig av betydligt fler elektroder. Sensorerna ska tillsammans kunna avgöra när en användare befinner sig i REM-sömn med hjälp av en algoritm som behandlas i examensarbetet för den andra modulen, som tidigare nämnts i kapitel 1.6 Avgränsningar. En konstruktion ska göras där fyra elektroder byggs in i en sovmask som ska sättas över ögonen. Elektroderna används för EOG-sensorn. En PPG-sensor placeras på valfritt finger eller valfri örsnibb och en accelerometer placeras på handleden. All elektronik som berör REM-identifiering läggs in i sovmasken, förutom accelerometern. Syftet med att ta fram en prototyp är att undersöka om tekniken är implementerbar enligt frågeställningen.

14

3.1.1 EOG-sensor

Huvudfokusen ligger på EOG-sensorn som kommer att designas och konstrueras helt från grunden för det här examensarbetet. EOG valdes specifikt eftersom tekniken är träffsäker när det gäller att identifiera ögonrörelser, som är en essentiell del av REM-sömn, samt att den är väletablerad i PSG [11]. Både kretsschemat och kretskortet kommer att ritas och designas i programvaran DipTrace, som är ett gratisprogram utvecklat av Novarm Ltd [28]. För att identifiera REM-sömn är det inte intressant att avgöra i vilken vinkel ögonen rör sig, det viktiga är att upptäcka att ögonen rör sig över huvud taget. Av den anledning kommer fyra elektroder att användas, se figur 5, enligt konfigurationen som beskrivs av López et al. [19].

Figur 5. Placering av de 4 elektroderna

I figur 5 ovan är R-EOG höger elektrod, L-EOG vänster elektrod och U-EOG är mitten/översta elektroden. Det finns EOG sensorer att köpa idag men eftersom dessa är otympliga och dyra så kommer som sagt en EOG-sensor att utvecklas från grunden och testas.

3.1.2 Puls- och rörelsesensor

Med tanke på att EKG-elektroder placeras runt omkring på kroppen och inte nära övre delen av ansiktet, där sovmasken är tänkt att placeras, så kommer EKG inte att användas i projektet. Istället för EKG kommer en PPG-sensor att användas. Eftersom EOG-sensorn som ska utvecklas kräver mycket tidsresurser så kommer inte en PPG-sensor att utvecklas från grunden i projektet. Istället köps en billig PPG-sensor som passar för prototypen. Sensorn kommer användas med en Arduino Uno och där signalen skrivs ut i en graf på en PC som är kopplad till Arduinon. Genom att jämföra pulsen från

15

PPG-sensorn med pulsen som fås av en smartphone, som känner av pulsen på fingret via kameran, kan PPG-sensorns precision verifieras. Som ett sätt att med högre noggrannhet avgöra om REM-sömn inträffar eller inte ska en rörelsesensor implementeras. Tidigare förklaras det i kapitel 2 att hjärnan stänger av kroppens förmåga att röra på sig under REM-sömn för att inte agera ut drömmarna. Detta fenomen ska användas genom att under ett tidsintervall samla in data från en accelerometer och jämföra den datan med tidigare data. Om accelerometern inte är i samma orientering som tidigare, det vill säga att användaren har rört på sig, så innebär det således att använder inte befinner sig i REM-sömnen. Däremot betyder det inte att om accelerometern inte förflyttats att användaren är i REM-sömn, utan denna metod implementeras endast som en metod för att höja noggrannheten för en inträffad REM-sömn. Då rörelsesensorn endast ska avgöra om en användare rör på sig så krävs ingen hög noggrannhet eller precision på sensorn. Rörelsen hittas med hjälp av en accelerometer som fästs runt handleden. Tanken med denna sensor är alltså att identifiera när en användare inte befinner sig i REM-sömn. Eftersom muskler förlamas under REM-perioden går det således att utesluta REM-sömn vid utslag på accelerometern.

Arduinon läser av spänningen på analoga ingången och konverterar den från 0–5 V till 0–1023 eftersom den använder 210 bitars analog-till-digital-omvandlare (ADC). I Arduinos mjukvaras inbyggda graf visas data mellan 0–1023 i Y-axeln. För att beräkna spänningen på insignalen så kan formel (4) nedan användas.

𝑆𝑝ä𝑛𝑛𝑖𝑛𝑔 = 𝐼𝑛𝑝𝑢𝑡𝑠𝑖𝑔𝑛𝑎𝑙 ∗

(5 − 0) 𝑉

1023 − 0

(4)

3.2 Datainsamling

Det finns olika datainsamlingsmetoder som kan användas för att samla in data till en undersökning. En fallstudie är en metod som empiriskt undersöker en eller några fåtal specifika händelser eller fenomen [9]. Kvalitativa metoder använder generellt färre datamängder för att åstadkomma tillförlitliga resultat. Datainsamlingen fortgår tills resultatet betraktas mättat, det vill säga att flera mätningar förväntas ge samma resultat [9]. Detta examensarbetets datainsamlingsmetod baseras på en form av fallstudie då det specifika fallet som undersöks är portabla REM-identifierande sensorer. En enkätundersökning skulle kunna utföras, där lastbilschaufförer skulle få svara på frågor kring att prototypens användbarhet och att vakna trötta under rasterna. Ingen enkätundersökning kommer att göras eftersom det inte anses passa in med examensarbetets mål samt att eftersom tekniken ska undersökas så skulle det ändra riktningen åt en icke önskvärd riktning.

16

Data från sensorerna samlas in för att kunna identifiera de olika sömnstadierna. Data som samlas in är numerisk data i form av mätvärden på signalerna från de olika sensorerna. All datainsamling sker via en Arduino Uno. Arduino valdes eftersom den har ett användarvänligt gränssnitt samt en mikroprocessor med samtliga periferienheter som är väsentliga för examensarbetet. Den data som samlas in från sensorerna ska användas till kvalitetssäkring av sensorerna samt analys av sömnstadier för att urskilja REM och NREM.

3.3 Dataanalys

Håkansson [9] föreslår en rad olika metoder för dataanalysering. Bland de som föreslås, beskrivs statistiska metoder och analytisk induktion. Statistiska metoder kan bestå av beskrivande och trendanalytiska tillvägagångssätt och används för att analysera data. Analytisk induktion innebär ett iterativt arbetssätt som fortlöper tills en hypotes inte längre kan förkastas. Detta arbetssätt kan innebära upprepade tester tills hypotesen godkänns [9]. En statistisk metod används i examensarbetets tillämpning då det krävs för analysering av pulsvarians. En iterativ metod och ett iterativt arbetssätt kommer även att tillämpas för evaluering samt validering av de olika sensorerna och deras respektive utdata.

All dataanalys sker i en Arduino Uno, förutom i teststadiet av examensarbetet. Arduinon samlar in data från sensorerna och analyserar data genom algoritmer. Dessa algoritmer består av jämförelser av tidigare mätvärden med senare mätvärden. Genom denna dataanalys ska sensorerna tillsammans kunna urskilja REM från NREM. A/D-omvandlaren i Arduinon omvandlar en analog spänning till ett diskret numeriskt värde mellan 0–1023. Det är detta värde som jämförs. Algoritmerna kräver iterationer för att optimera säkerheten och tillförlitligheten för REM-igenkänningen. Målet med dataanalysen är dels att säkerställa valideringen men huvudsakligen är målet att möjliggöra analys av sömnstadier i syfte att urskilja REM och NREM.

3.4 Datavalidering

Det finns olika sätt att kvalitetssäkra ett examensarbete. Dessa sätt skiljer sig mellan kvantitativa och kvantitativa undersökningar. För kvalitativa undersökningar med ett induktivt tillvägagångssätt bör validitet, pålitlighet, bekräftbarhet, överförbarhet och etik tillämpas och diskuteras [9]. Eftersom detta examensarbete har ett kvalitativt tillvägagångssätt så ska dessa egenskaper tas hänsyn till. Samtliga metoder, implementationer och resultat beskrivs ingående i rapporten för att möjliggöra bekräftbarheten av examensarbetet. På detta sätt kan en läsare återskapa arbetet och få ett liknande resultat samt bygga vidare på det. Detta är ett huvudkoncept i den vetenskapliga metoden [9].

17

Validering av data kommer ske visuellt, där ett oscilloskop eller en Arduino, beroende på sensor, kommer användas för att i realtid kunna se den uppmätta signalen. Ett oscilloskop underlättar även felsökningen, om den skulle behövas, på så sätt att signaler kan mätas på olika punkter under signalbehandlingen. Sensorernas pålitlighet verifieras genom olika testmetoder. Eftersom det är svårt att få tag på riktig EOG-utrustning för att evaluera sensorn kommer ett oscilloskop användas för att mäta EOG-sensorn och jämföra den med ögonrörelser i realtid. Försökspersonens ögonrörelser kommer dirigeras av en observatör samtidigt som observatören mäter och observerar signalen på oscilloskopet. Därefter kommer en till valideringsmetod att utföras. Eftersom det är viktigt att mäta utan partiskt inflytande och för att säkerställa resultatens objektivitet, stänger den förstnämnda personen ögonen samtidigt som observatören ska uppskatta var försökspersonen tittar. På detta sätt minimeras återspegling av observatörens subjektivitet i resultatet. För PPG-sensorn kommer pulsen jämföras med en smartphones inbyggda pulssensor och kontrolleras så att de överensstämmer. Rörelser under sömn är inte enligt något mönster utan de är helt slumpmässiga och accelerometern behöver därför bara upptäcka att den har förflyttats. Det är alltså inte viktigt vilken riktning rörelsen sker i eller hur fort den sker. Rörelser registreras i x-, y- och z-led och det är oväsentligt i vilket av lederna rörelsen sker. För att evaluera accelerometern kommer därför endast Arduinons inbyggda graf att användas för att se om sensorn reagerar på rörelser. Som det har beskrivits tidigare i detta kapitel så krävs det en specialist för att undersöka sömnstadierna. För att kunna validera hela prototypens funktionalitet samt säkerheten av REM-igenkänningen så krävs det alltså pengar och resurser som detta examensarbete inte kan bekosta. Således kommer någon validering för REM-igenkänningen inte att göras i detta arbete. I figur 6 nedan visas modellen för hur prototypen är uppbyggd. Den översta streckade rutan är modul 1, det vill säga detta examensarbetets modul. Den nedre streckade rutan behandlas i det andra examensarbetet, modul 2.

18

Figur 6. Blockdagram för prototypen

19

4 Implementering

I detta kapitel presenteras implementeringen av de sensorerna som presenterades i kapitel 3 för att uppfylla detektering av REM-sömn. För att mäta signalerna från de tre sensorerna används en Arduino Uno. Arduino Uno använder en ATMEGA32 mikrokontroller som har en ADC med 10-bitars upplösning. ADC:n har en inputspänning på 0–5 V [29]. En 10-bitars A/D-omvandlare ger då följande: 5 − 0 𝑉

210 𝐿𝑒𝑎𝑠𝑡 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑡 𝑏𝑖𝑡𝑠(𝐿𝑆𝐵𝑠)=

4.88𝑚𝑉

𝐿𝑆𝐵𝑠

(6)

Detta innebär att ATMEGA32 ADCn kan urskilja spänningsändringar på 4.88mV.

4.1 Elektrookulografi

I detta delkapitel presenteras det hur EOG-sensorn designades och konstruerades. Designprocessen började med att välja komponenter för sensorn.

4.1.1 Differentiell förstärkning

EOG-sensorn som utvecklades består av två kanaler, en för höger öga och en för vänster öga. Varje kanal består av en instrumentförstärkare och fem operationsförstärkare, där tre operationsförstärkare bildar ett fjärde gradens lågpassfilter och ett andra gradens högpassfilter. Resterande två används för Driven-Right-Leg (DRL) och slutförstärkning. DRL är en krets som driver inverterade common-mode signaler tillbaka till kroppen och därmed höjer common-mode-rejection (CMRR), som är ett mått på en differentialförstärkares förmåga att avvisa common-mode-signaler [8], [30]. En common-mode-signal är en identisk signal som kommer in i fas och samtidigt på båda ingångarna på en differentialförstärkare. För att kunna få ut en differentiell spänning samt för att minska på störningar som kommer in på elektroderna, valdes en instrumentförstärkare med en hög CMRR. En hög CMRR innebär att likfasiga störningar avfärdas samtidigt som skillnaden mellan ingångarna förstärkas. För att få en bra CMRR ska R1/R2=R3/R4, se figur 7, balanseras noggrant [31].

20

Figur 7. En differentialförstärkare, grunden för en instrumentförstärkare

Instrumentförstärkare är en typ differentialförstärkare där signalen på icke inverterade ingången förstärks och den inverterade ingången förstärks och fasförskjuts innan den kommer ut på utgången. När dessa signaler slås ihop kommer utgången ge en förstärkt signal av skillnaden mellan ingångarna [31]. Eftersom det är så pass låga spänningar som ska förstärkas så krävs det att en instrumentförstärkare väljs med låg input-offsetspänning samt högt CMRR. Chopper-stabiliserade förstärkare, även kallade zero-drift, har en mycket låg input-offsetspänning och ger en signal med hög precision och noggrannhet. En chopper-stabiliserad förstärkare används oftast då små signaler kräver mycket hög förstärkning med minimalt brus. Med tanke på projektets krav så är det lämpligt att använda en zero-drift instrumentförstärkare. För examensarbetets ändamål passade en Texas Instruments INA333, med 25μV maximal offsetspänning och 110-115 dB CMRR [33]. Insignalerna från elektroderna går enligt figur 8, och uppskattas vara mellan 15–200 μV, enligt [18]. Den differentiella spänningen mellan U-EOG (översta elektroden) och R-EOG (högra elektroden) samt U-EOG och L-EOG (vänstra elektroden) behöver förstärkas tillräckligt mycket att input-offsetspänningen på de övriga operationsförstärkarna inte ska påverka signalen. Två parallella resistorer på 3,6 kΩ var ger förstärkningen 56,5 gånger, enligt formel (7) nedan [33]. Denna förstärkning valdes eftersom den ansågs vara tillräckligt hög för att minimera påverkan av de resterande operationsförstärkarnas input-offsetspänning.

𝐺 = 1 +100𝑘𝛺

𝑅𝐺= 1 +

100𝑘𝛺

3.6𝑘𝛺//3.6𝑘𝛺= 56.5

(7)

21

Figur 8. Elektrodernas anslutningar till INA333

Detta ger en differentiell utsignal från instrumentförstärkaren som uppskattas ligga mellan 0,84–11,3 mV. Eftersom högsta tillåtna strömmen in på kroppen är 50μA, enligt internationella krav som tidigare tagits upp i kapitel 1.4.1, har DRL delen av kretsen två seriekopplade resistorer på 50kΩ var som ger en resistans på

100kΩ. En maximal spänning på 5V ger 5𝑉

100𝑘𝛺= 50μA . Dessa är alltså

placerade där för att minska strömmen i elektroderna och öka användarsäkerheten.

4.1.2 Filter

Efter att den differentiella spänningen har förstärkts, filtreras signalen genom ett fjärde gradens lågpassfilter och ett andra gradens högpassfilter. Ett filter med en högre filtreringsgrad har en brantare lutning på filtreringens frekvensgång än lägre gradens filter. Detta innebär att oönskade frekvenser dämpas mer i ett filter med högre filtreringsgrad. Figur 9 nedan visar ett aktivt första gradens filter. Om fler passiva komponenter och operationsförstärkare läggs till i kopplingen ökar filtreringsgraden. Till skillnad från passiva filter har aktiva filter en högre in-impedans samt en noggrannare filtrering och anses därmed lämpliga för EOG-sensorn [33].

22

Figur 9. Aktivt första gradens lågpass- och högpassfilter

Typiska frekvenser på signaler från ögonrörelse ligger mellan 0 till 50 Hz [19]. Då placeringen av elektroderna samt rörelse på huvudet kan påverka signalen används ett aktivt andra gradens högpassfilter på 0,1 Hz. På grund av att sensorn är portabel och omgivningen där den brukas är okänd, används ett aktivt fjärde gradens lågpassfilter. Gränsfrekvensen på lågpassfiltret har valts till 35 Hz för att även minska störningar från elnätet, som ligger på 50 Hz, utan signifikant förlust av information. Gränsfrekvenserna för de aktiva filterna i figur 9 räknas ut med hjälp av formel (8) för högpassfiltret och (9) för lågpassfiltret.

𝑓𝑐1 =1

2𝜋 ∗ 𝑅1𝐶1

(8)

𝑓𝑐2 =

1

2𝜋 ∗ 𝑅2𝐶2

(9)

Det finns flera faktorer som måste tas till hänsyn när det gäller att välja rätt operationsförstärkare för filter [34]. Bland annat måste produkten av förstärkning och bandbredd, gain-bandwidth product (GBWP), vara minst 100 gånger större än gränsfrekvensen 𝑓𝑐, se formel (10). Utöver GBWP kravet så ställs det även krav på slew raten enligt formel (11). 𝐺𝐵𝑊𝑃 ≥ 100 ∗ 𝑓𝑐

(10)

𝑆𝑙𝑒𝑤 𝑟𝑎𝑡𝑒 ≥ (2𝜋 ∗ 𝑉𝑜𝑢𝑡𝑝−𝑝 ∗ 𝑓𝑐)

(11)

För att designa filtren används Microchip’s FilterLab[35]. FilterLab möjliggör en enkel designprocess för filter. I figur 10 visas det lågpassfilter som

23

designades i FilterLab. Som det kan ses i figur 11 är frekvensgången brant och filtrets dämpning av oönskade frekvenser är därför godtagbar.

Figur 10. Fjärde gradens lågpassfilter

Figur 11. Filtrets frekvensgång och fasförskjutning

I figur 12 visas högpassfiltret som designades i FilterLab. Gränsfrekvensen för filtret är 0,1 Hz. Om frekvensgången jämförs i figur 13 med figur 11 så ses det att den är mindre brant. Detta på grund av en lägre filtreringsgrad på högpassfiltret än på lågpassfiltret.

Figur 12. Andra gradens högpassfilter

24

Figur 13. Filtrets frekvensgång och fasförskjutning

Anledningen till en lägre grad på högpassfiltret är att störningarna anses vara mer dominanta i det högre frekvensspektrumet, specifikt störningar från elnätet på 50 Hz. Signalen filtreras genom många operationsförstärkare och det krävs därför att samtliga har låg input offsetspänning, detta gäller även slutförstärkaren. För både lågpass- och högpassfiltret valdes Linear Technology LTC1050 operationsförstärkare [36]. Med en låg input-offsetspänning på maximalt ±5 µV, hög GBWP på 2,5 MHz och ungefär dubbla slew rate kravet, som ligger på 2,5 V/µs, passar LTC1050 som operationsförstärkare för filtren.

4.1.3 Slutförstärkning

Efter att signalen filtreras så förstärks den, enligt figur 14, för att få rätt spänningsintervall och göra signalen läsbar för A/D omvandlaren. Även här bör förstärkaren vara chopper-stabiliserad med lågt brus och låg input-offsetspänning. För att dimensionera R1 samt R2 i figur 14 används formel (12) nedan.

Figur 14. Icke inverterande operationsförstärkarkoppling

25

𝑉𝑢𝑡

𝑉𝑖𝑛= 1 +

𝑅1

𝑅2= 1 +

200𝑘𝛺

470𝛺= 426.5

(12)

Då arduinons analoga ingång kan mäta 0–5 V så önskas en maximal signalspänning på 4,8 V för att få lite felmarginal. Med ungefär 425 gånger förstärkning, enligt formel (13) fås en maximal signalspänning på ungefär 4,8 V. I formeln är 200 μV den högsta uppskattade spänningen elektroden mäter. 56,5 är förstärkningen på instrumentförstärkaren. Detta ger en signal som kan variera mellan 0,36–4,8 V.

4.8𝑉

200μ𝑉 ∗ 56,5≈ 425

(13)

För slutförstärkningen används en operationsförstärkare av modellen LTC2051 [37].

4.1.4 Kretsschema

Hela kretsen designades i DipTrace, som är ett program för design av både kretsscheman och kretskort. Kretsschemat som ritades i DipTrace visas i figur 15 nedan.

Figure 15. Kretsschemat i DipTrace

Kretsschemat är för EOG-sensorn där instrumentförstärkare, filtrering, DRL samt slutförstärkning ingår.

26

Efter att kretsschemat designats klart gjordes en PCB-layout, se figur 16 nedan.

Figur 16. PCB-Layout av EOG-sensorn

För att minska högfrekventa störningar från matningsspänningen har samtliga avkopplingskondensatorer placerats nära ingången för matningsspänningen på respektive komponenter. Undersidan av kortet är designat med så få ledningar som möjligt för att förkorta returvägar för strömmar. Efter att PCB-layouten blev klar frästes kortet ut. Sedan löddes samtliga komponenter på kortet. Det färdiga kortet visas i figur 17 nedan.

Figur 17. Frästa kortet med fastlödda komponenter

Notera att en instrumentförstärkare saknas i figur 17, detta diskuteras senare under kapitel 6.

27

4.1.5 Elektroder

Elektroderna som används köptes på Apoteket [38] och är gjorda av silverklorid, Ag-AgCl, vilket ger en bra ledningsförmåga för signalen. För att minska störningar som hamnar på elektrodkablarna används en avskärmad VGA-kabel som har modifierats till projektets ändamål. Figur 18 visar hur elektroderna kopplas på kabeln samt hur kontakten kopplas på kortet.

Figur 18. Elektroderna som användes (vänster). VGA-kontakten från elektroderna till kretskortet (höger)

4.2 Puls

Den PPG-sensor som används är en SEN-11574 från Sparkfun [39]. PPG-sensorn är strömsnål, 4 mA max, och passar för projektet då den även kan användas på öronsnibben och på så sätt placeras närmre sovmasken. Sensorn har en lysdiod och en fotodiod som fungerar enligt figur 4 i kapitel 2.5. Ljuset som reflekteras från lysdioden omvandlas till en signal genom fotodioden. Därefter förstärks signalen som sedan avläses via en analog input pin på Arduinon. Pulssensorn skickar bara ut en spänning och kan inte göra några beräkningar. För att avgöra när en puls detekteras så används ett tröskelvärde på ungefär 3 V på inputspänningen. 3 V valdes på grund av att det är halva spänningen som mäts då ett hjärtslag sker samtidigt som det ligger över signalspänningen då hjärtat inte slår. Koden för att beräkna pulsvariationen skrevs i Arduinon och tar endast hänsyn till R-R intervallet för att på så sätt beräkna pulsen och dess varians. Genom att mäta tiden mellan samtliga R-R intervaller under en tidsperiod på 10 sekunder och sedan beräkna medelvärdet av intervallen kan pulsen över 60

28

sekunder uppskattas. Därefter sparas varje pulsvärde under 30 sekunder. Väntevärdet räknas ut med hjälp av formel (1) i kapitel 2.5. Efter att väntevärdet räknats ut, räknas variansen ut med formel (2) och/eller (3). För att avgöra om användaren befinner sig i REM- eller NREM-sömn så används ett tröskelvärde för variansen. Den nuvarande variansen jämförs med tröskelvärdet. Om skillnaden är större eller lika med noll så antas användaren befinna sig i REM-sömn. Skulle däremot skillnaden vara mindre än noll så antas det att användaren befinner sig i något av NREM stadierna.

4.3 Rörelse

Accelerometern som används är en ADXL335 från SparkFun [40]. Sensorn ska enbart ge utslag vid större rörelser där det är tydligt att användaren rör på sig och har därför en aktiveringströskel, likt PPG-sensorn, innan rörelse identifieras. Detta tröskelvärde tas fram i det nästkommande resultatkapitlet då testerna av accelerometern presenteras.

4.4 Felsökning och simulering av EOG-sensor

För att felsöka och simulera EOG-sensorn används gratisprogrammet LTspice XVII från Analog Devices [41]. För att simulera en differentiell växelspänning, alltså ögonrörelser, används en likspänningskälla och en signalgenerator. Alla operationsförstärkare och instrumentförstärkare har en matningsspänning på 5V. För enkelhetens skull läggs signalens likspänning på 2.5V för att inte hamna under 0V eller över 5V. Signalgeneratorn genererar en växelspänning på 200μV över likspänningen. Signalen dupliceras och den ena signalen förskjuts 180 grader genom en inverterad spänningsföljare för att få en differentiell signal mellan instrumentförstärkarens båda ingångar. I verkligheten är signalen mellan höger- och upp-elektrod inte förskjuten 180 grader, utan detta görs endast för att underlätta simuleringen. Kopplingen görs enligt figur 19 nedan.

29

Figur 19. Kretsschema för simulering av ögonsignal i LTspice

Eftersom C8 och R17 tillsammans bildar ett högpassfilter så dimensioneras de så att gränsfrekvensen blir 0,1 Hz, det vill säga samma gränsfrekvens som andra gradens högpassfiltret senare i schemat. Eftersom INA333 inte finns i mjukvaran som en färdig komponent simuleras instrumentförstärkaren genom att rita varje komponent i den integrerade kretsen, enligt figur 20 nedan.

Figur 20. Kretsschema för simulering av insrumentförstärkaren INA333

DiffUt är alltså den differentiella spänningen mellan Höger-Elektrod (R-EOG) och Upp-Elektrod (U-EOG) i schemat.

30

I figur 21 nedan visas simuleringsschemat av filtreringen och slutförstärkningen. De två första operationsförstärkarna är för lågpassfiltret, den tredje är för högpassfiltret och den sista operationsförstärkaren är för slutförstärkningen.

Figur 21. Kretsschema för simulering av filter samt slutförstärkning

31

5 Resultat

I detta kapitel presenteras resultat och data som samlades in av samtliga sensorer. EOG-sensorn kommer presenteras först, och därefter accelerometern följt av PPG-sensorn.

5.1 Resultat av EOG-sensor

För att mäta på EOG-signalen används ett oscilloskop, där utsignalen visas i amplitud över tiden. Under samtliga tester är endast den högra EOG-kanalen inkopplad och testas. Den vänstra EOG-kanalen diskuteras senare under kapitel 6.1. I figur 22 nedan är det alltså endast höger-EOG kanal som det mäts på. I figuren visas amplituden av signalen i oscilloskopet till vänster, bakom användaren av EOG-sensorn. Användaren av EOG-sensorn tittar höger och framåt.

Figur 22. Resultat av höger EOG-kanal när användaren tittar höger och framåt

I bild 1 i figur 22 hålls ögonen stilla rakt fram. Signalens amplitud är då låg och visar inget utslag, som det kan ses i oscilloskopet. När ögonen sedan tittar höger kan det ses på bild 2 hur signalen spikar upp. Spänningen mättes till ungefär 2,5V på toppen av signalen. När ögonen sedan går tillbaka och tittar framåt som bild 3 visar går signalen tillbaka ner till några enstaka mV, som tidigare mättes i bild 1.

32

I figur 23 nedan är det fortfarande endast den högra EOG-kanalen som testas. Signalen mäts fortfarande på oscilloskopet till vänster om användaren, som nu tittar vänster och framåt.

Figur 23. Resultat av höger EOG-kanal när användaren tittar vänster och framåt

När användaren tittar vänster enligt bild 1 visas inget utslag på oscilloskopet då det enbart är höger-EOG kanalen som är kopplad. Detta sker på grund av att skillnaden i den differentiella signalen är negativ och kan alltså inte förstärks då samtliga operationsförstärkare har en matningsspänning på 0-5V. Om användaren sedan tittar rakt fram visar signalen ett utslag på oscilloskopet som ligger på ungefär 1.25V enligt bild 2. Skillnaden i den differentiella signalen är då positiv och kan förstärkas. Bild 3 visar hur en lätt korrigering av ögonen minskar amplituden av signalen. Signalen kommer sedan avta långsamt ner mot några få mV, som i bild 1.

5.2 Resultat av Accelerometer

I figur 24 nedan visas bruset från accelerometerns Z-axel när den är i vila. Bruset ligger på ungefär 350, det vill säga ungefär 1.71 V enligt formel (4). När accelerometern förflyttas framåt och bakåt i Z-axeln, se figur 25, så ändras värdet till ungefär 550, det vill säga att spänningen på signalen ändras med ungefär 1 V. Ett tröskelvärde kan sättas på ungefär 400 samt 200 för att skilja på rörelser och vila.

33

Figur 24. Accelerometerns brusnivå

Figur 25. Accelerometerns utslag vid rörelse i Z-axeln

5.3 Resultat av PPG-sensor

Principen bakom att avläsa PPG-sensorns är precis densamma som accelerometern. Eftersom själva spänningen inte är så relevant så används 210 värden för att avläsa när en puls sker, samma resonemang som avläsningen av data från accelerometer. I figur 26 nedan visas PPG-sensorns signal. Om figuren jämförs med figur 3 från kapitel 2.5 så kan likheterna tydligt ses. R-R intervallet är det som mäts för att uppskatta pulsen. Amplituden av R-toppen är plan på grund av att PPG-sensorns operationsförstärkare bottnar, men detta är inget som påverkar resultatet. För att skilja på PQRST-segmenten, d.v.s. hjärtslagen, kan ett tröskelvärde på ungefär 600 användas, det vill säga

34

ungefär 3 V från fotodioden. Alltså avgörs det om ett hjärtslag sker när signalen överstiger 3 V. Dock har tröskelvärdet för variansen inte bestämt eftersom PPG-sensorn inte har testats under sömn, vilket den bör göras för att testa fram ett tröskelvärde som fungerar.

Figur 26. Pulssignalen från PPG-sensor

5.4 Felsökning och simulering

För simuleringen delas schemat upp i olika steg, först simuleras den differentiella signalen, som simulerar ögonrörelser, se figur 27.

Figur 27. Den simulerade ögonsignalen

Som det kan ses i figur 27 ovan ligger de simulerade signalerna på 2.5V ±200μV. Den gröna sinusvågen representerar U-EOG och den blåa representerar R-EOG.

35

Sedan simulerades instrumentförstärkarens differentiella utsignal, se figur 28, samt förstärkningen ut mot Arduinon, se figur 29, för att kolla så att all förstärkning stämde.

Figur 28. Den simulerade utspänningen från instrumentförstärkaren

Figur 29. Simulering av EOG-sensorns utsignal

Notera att spänningen i figur 29 toppar kring 1.1V. Detta är ett fel i konstruktionen som kommer att diskuteras i detalj under kapitel 6.1.

36

6 Diskussion

Under examensarbetet har vi utvecklat en EOG-sensor och sammanställt den med en PPG-sensor och en accelerometer för att undersöka de tekniska möjligheterna att portabelt detektera REM-sömn. I detta kapitel diskuteras och analyseras resultat samt olika förbättringsmöjligheter.

6.1 EOG-sensor

Under testfasen för EOG-sensorn gick instrumentförstärkaren för den vänstra kanalen sönder. Vi kunde alltså enbart testa sensorns högra kanal och sedan dra slutsatsen att den vänstra hade fungerat likadant då kanalerna är identiska. Detta är anledningen till varför bara tre elektroder använts under resultatet. Hade mer tid funnits hade den trasiga instrumentförstärkaren bytts ut men detta ansågs inte nödvändigt då vi kunde få allt resultat vi behövde med bara en fungerande kanal. Resultaten av EOG sensorn varierade mycket under mätningar och tester. Till en början fungerade inte sensorn som planerat. Signalspänningen på den högra EOG-kanalen var brusig där mycket av bruset bestod av 50 Hz störningar, troligen från elnätet. För att felsöka kortet började vi med att mäta spänningarna på samtliga förstärkare som var inkopplade. Eftersom elektrodernas spänning är så pass låg så blev det svårt att mäta insignalen till instrumentförstärkaren, vilket i sin tur gjorde det svårt att veta vad utsignalen skulle vara. För att lösa detta problem gjorde vi istället en simulering på den högra EOG-kanalen i LTspice. I simuleringen, som visas i de tidigare kapitlen, testades först förstärkningen för att kolla om den var korrekt. Signalen ut från instrumentförstärkaren var korrekt, dock var slutförstärkningen för svag. Eftersom vi ändrade mönsterkortsdesign så många gånger blev det ett fel på vägen som resulterade att ett resistansvärde blev felaktigt med en tiopotens. Istället för 470 Ω, som figur 14 visar, så dimensioneras resistorn R2 vid slutförstärkningen till 4.7 kΩ av misstag. Detta ledde till att slutförstärkningen blev 43,5 istället för 426, enligt formel 12 i kapitel 4.1.3, och signalen dränktes då i bruset. När detta sedan korrigerades fungerade sensorn som förväntat, som resultatkapitlet för EOG-sensorn visar.

Innan mönsterkortet fick sin slutgiltiga design så gjordes designen om ett flertal gånger allteftersom småfel hittades samt för att förbättra kortet. På grund av dessa ändringar i designen så blev det en del förseningar med produktionen av kortet. Det mönsterort som frästes har varken lödmask eller genompläterade hål, utan alla hål måste lödas med en ledande kabel mellan över- och undersidan. Därför försökte vi minska antal hål när vi designade kortet. Detta medförde att vissa ledningar, speciellt jordledningar ner till jordplanet, blev onödigt långa vilket inte är bra eftersom det introducerar en del elektromagnetisk interferens.

37

Om vi hade haft tid att beställa ett högkvalitetskort så hade det varit att föredra och för liknande projekt som ska göras så rekommenderas det att istället beställa ett sådant kort med både lödmask och genompläterade hål. En annan fördel med att beställa ett högkvalitativt kort är att det kan designas mycket mindre, bland annat på grund av faktorer som diskuterats ovan. Med tanke på att prototypen ska vara portabel och få plats i en ögonmask så bör detta göras om en produkt ska realiseras. Då bör mönsterkortet även ha plats för en egen mikrokontroller istället för att separera sensorerna och beräkningarna.

Mönsterkortet som designades är inte helt perfekt vad gäller kopparöar. Vissa kopparöar är inte jordade vilket gör att det kan bildas strökapacitans mellan kopparöarna och signalledningarna. Detta påverkar i högsta grad högfrekventa signaler men eftersom EOG-sensorns signal teoretiskt kan ha en högsta frekvens på 35 Hz påverkar det inte signalen.

Innan ett mönsterkort fräses ut är det bra att säkerställa kretsschemats funktionalitet. Detta kan göras genom med hjälp av simulering. Då en lång förstudie gjordes där olika kretsscheman studerades så kände vi oss tillräckligt säkra på vår design för att inte simulera schemat innan tillverkning. Detta är något som i efterhand anses att det borde ha gjorts eftersom att simuleringen troligtvis hade hjälpt upptäcka felet i förstärkningen betydligt tidigare, vilket hade resulterat i mer tid för de andra delarna i examensarbetet.

Den maximala utsignalen vi får från EOG-sensorn är runt 2,5 V. Detta betyder alltså att den maximala spänningen elektroderna faktiskt mäter på ögonen ligger runt 90 μV, alltså inom det uppskattade intervallet på 15–200 μV. För att få ut en högre maximal spänning och optimera signalen kan en potentiometer användas istället för ena resistorn vid sista förstärkningssteget. Då skulle förstärkningen kunna kalibreras utefter vilka elektroder som används, hur de är placerade samt vem som använder de, då det också är av betydelse.

6.1.1 Elektroder

För att få elektroderna att passa blev vi tvungna att löda på kablar i varje anslutning till elektroderna. För att göra detta enklare hade vi kunnat köpa elektroder med tryckknapp för att enklare koppla på en EKG-kabel. Detta hade minskat störningar då dessa kablar är isolerade hela vägen upp till elektroden, till skillnad från de använda elektroderna där avskärmningen från kabeln slutar ungefär en decimeter efter elektrodanslutningen. Dessa decimeterlånga kablar gör ingenting i en relativt störningsfri miljö men kan ge problem i miljöer som är utsatta för mycket störningar. Då vi enbart vill undersöka sensortekniken så är detta inget problem, men om sensorn skulle göras till en portabel produkt kan det vara något att tänka på då produkten ämnas kunna användas var som helst.

Elektroderna som användes har ett begränsat antal användningar, vilket gör testning och felsökning svårare. Efter några användningar började vi tappa signalen då elektroderna plockar upp smuts enkelt på grund av den klistriga

38

ytan. Ett bättre alternativ hade varit att köpa många en-gångs-elektroder för att byta ut de när de inte längre presterar.

6.2 PPG-sensor samt Accelerometer

Resultatet från både PGG-sensorn och accelerometer var som väntat och sensorerna var enkla att implementera. PPG-sensorns uppskattade puls stämde överens med den smartphone som den testades mot. Accelerometern fungerade även korrekt utan några problem. Det enda problemet var dock att inget tröskelvärde för variansen sattes för PPG-sensorn. För att kunna sätta ett tröskelvärde så krävs det prototypen testas under sömn. PPG-sensorn och accelerometern köptes eftersom vi ansåg att det inte skulle passa tidsramen att utveckla alla tre sensorer. I efterhand var detta ett bra val eftersom att EOG sensorn tog längre tid än uppskattat att utveckla. Om en färdig produkt ska utvecklas så är det bättre att utveckla en egen PPG-sensor med lysdiod och fotodiod samt att köpa en integrerad accelerometerkrets. På det sättet blir hela kortet mindre modulärt, mer användarvänligt samt mer portabelt. Men med tanke på att detta inte passade tidsramen för examensarbetet, gjordes ett beslut där endast tekniken och dess implementation skulle undersökas.

6.3 Validering av sensorer samt REM-sömn

För att kunna verifiera att en sensor fungerar brukar det användas en redan fungerande, kalibrerad sensor där resultaten jämförs mellan sensorerna. Detta gjordes med PPG-sensorn tillsammans med en smartphone, alltså en annan PPG-sensor. Vad gäller EOG-sensorn är den svår att validera då EOG-utrustning är dyr och svår att få tag på. Eftersom möjligheten inte funnits att jämföra vår EOG-sensor med riktig EOG-utrustning så kan vi inte avgöra hur noggrann vår sensor är i jämförelse med sjukhusutrustning. Det enda resultatet visar är att sensorn korrekt mäter ögonens rörelse samt att små rörelser går att urskilja från stilla ögon. För att med säkerhet veta om sensorerna tillsammans kan påvisa när REM-sömn inträffar krävs det att sensorerna jämförs med kraftfull utrustning som polysomnografi samt en specialist som placerar elektroderna på rätt ställe på kroppen och läser av när olika sömnstadier inträffar. Detta ligger utanför examensarbetets mål, men är något som bör göras om en produkt ska realiseras.

6.4 Projektets slutsatser och utvärdering

EOG-sensorn som designades och utvecklades fungerade som tänkt, problemet var ett litet misstag i dimensioneringen som saktade ner processen för utvecklingen av prototypen. Misstaget kunde ha förhindrats om vi hade gjort simulering tidigare i projektet. På grund av tidsbrist har vi inte hunnit

39

göra en färdig prototyp som använder alla parametrar från PPG-sensorn, accelerometern samt EOG-sensorn. Detta innebär att målet med prototypen delvis är uppfyllt och med tanke på REM-sömnens egenskaper är vi övertygade att sensorerna tillsammans kan påvisa REM-sömn, även om det inte sker med en hög noggrannhet. Tanken är att efter examensarbetet slutföra prototypen och testa den under sömn. Om samtliga delar av prototypen faller på plats och REM-igenkänningen sker med hög säkerhet, tror vi att lastbilschaufförer kommer ha nytta av en sådan produkt eftersom den då kommer vara både portabel och lättanvänd i jämförelse med andra REM-identifieringsmetoder.

40

7 Referenser

[1] “Fordonsstatistik,” Statistiska Centralbyrån. [Online]. Available:

http://www.scb.se/hitta-statistik/statistik-efter-amne/transporter-och-kommunikationer/vagtrafik/fordonsstatistik/. [Accessed: 17-Jun-2018].

[2] “Kör- och vilotider - Transportstyrelsen.” [Online]. Available: https://www.transportstyrelsen.se/sv/vagtrafik/Yrkestrafik/Kor--och-vilotider/. [Accessed: 15-Apr-2018].

[3] K. Nykamp, L. Rosenthal, M. Folkerts, T. Roehrs, P. Guido, and T. Roth, “The Effects of REM Sleep Deprivation on the Level of Sleepiness/Alertness,” Sleep, vol. 21, pp. 609–14, Oct. 1998.

[4] J. Vazquez and H. A. Baghdoyan, “Basal forebrain acetylcholine release during REM sleep is significantly greater than during waking,” Am. J. Physiol. Regul. Integr. Comp. Physiol., vol. 280, no. 2, pp. R598-601, Feb. 2001.

[5] “Brain Basics: Understanding Sleep | National Institute of Neurological Disorders and Stroke.” [Online]. Available: https://www.ninds.nih.gov/Disorders/Patient-Caregiver-Education/Understanding-Sleep. [Accessed: 15-Apr-2018].

[6] A. W. North, “Accuracy and Precision of Electro-oculographic Recording,” Invest. Ophthalmol. Vis. Sci., vol. 4, no. 3, pp. 343–348, Jun. 1965.

[7] J. J. Pilcher and A. I. Huffcutt, “Effects of sleep deprivation on performance: a meta-analysis,” Sleep, vol. 19, no. 4, pp. 318–326, May 1996.

[8] “Improving Common-Mode Rejection Using the Right-Leg Drive Amplifier, sbaa188 - TI.com.” [Online]. Available: http://www.ti.com/general/docs/litabsmultiplefilelist.tsp?literatureNumber=sbaa188. [Accessed: 30-May-2018].

[9] A. Håkansson, “Portal of Research Methods and Methodologies for Research Projects and Degree Projects,” in DIVA, 2013, pp. 67–73.

[10] M. Borrego, E. P. Douglas, and C. T. Amelink, “Quantitative, qualitative, and mixed research methods in engineering education,” J. Eng. Educ., pp. 53–66, 2009.

[11] G. S. Chung, B. H. Choi, J.-S. Lee, J. S. Lee, D.-U. Jeong, and K. S. Park, “REM sleep estimation only using respiratory dynamics,” Physiol. Meas., vol. 30, no. 12, pp. 1327–1340, Dec. 2009.

[12] V. Ibáñez, J. Silva, and O. Cauli, “A survey on sleep assessment methods,” PeerJ, vol. 6, p. e4849, May 2018.

[13] S. R. Pandi-Perumal, D. Spence, and A. BaHammam, “Polysomnography: An Overview,” 2014, pp. 29–42.

[14] “Polysomnography (sleep study) - Mayo Clinic.” [Online]. Available: https://www.mayoclinic.org/tests-procedures/polysomnography/about/pac-20394877. [Accessed: 25-Jun-2018].

[15] F. Ebrahimi, M. Mikaeili, E. Estrada, and H. Nazeran, “Automatic sleep stage classification based on EEG signals by using neural networks and wavelet packet coefficients,” Conf. Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. IEEE Eng. Med. Biol. Soc. Annu. Conf., vol. 2008, pp. 1151–1154, 2008.

41

[16] “Normal EEG Waveforms: Overview, Frequency, Morphology,” Oct. 2017.

[17] “Q. A. Malik, and J. Ahmad, ‘Retina Based Mouse Control (RBMC)’, World Academy of Science, Engineering and Technology, (7), 2007.” .

[18] “Bernard D. Shaviv. 1993, ‘The design and improvement of an eyecontrolled interface’, unpublished https://labs.cs.sunysb.edu/labs/projects/eye/Reports/report/report.pdf.” .

[19] A. López, F. J. Ferrero, M. Valledor, J. C. Campo, and O. Postolache, “A study on electrode placement in EOG systems for medical applications,” in 2016 IEEE International Symposium on Medical Measurements and Applications (MeMeA), 2016, pp. 1–5.

[20] M. B. I. Raez, M. S. Hussain, and F. Mohd-Yasin, “Techniques of EMG signal analysis: detection, processing, classification and applications,” Biol. Proced. Online, vol. 8, pp. 11–35, Mar. 2006.

[21] S. Myllymaa et al., “Assessment of the suitability of using a forehead EEG electrode set and chin EMG electrodes for sleep staging in polysomnography,” J. Sleep Res., vol. 25, no. 6, pp. 636–645.

[22] E. Yuda, Y. Yoshida, R. Sasanabe, H. Tanaka, T. Shiomi, and J. Hayano, “Sleep Stage Classification by a Combination of Actigraphic and Heart Rate Signals,” J. Low Power Electron. Appl., vol. 7, no. 4, p. 28, Nov. 2017.

[23] M. Yaso, A. Nuruki, S. Tsujimura, and K. Yunokuchi, “Detection of REM sleep by heart rate,” Jan. 2006.

[24] G.-J. Jong, Aripriharta, and G.-J. Horng, “The PPG Physiological Signal for Heart Rate Variability Analysis,” Wirel. Pers. Commun., vol. 97, no. 4, pp. 5229–5276, Dec. 2017.

[25] R. Agarwal, T. Takeuchi, S. Laroche, and J. Gotman, “Detection of rapid-eye movements in sleep studies,” IEEE Trans. Biomed. Eng., vol. 52, no. 8, pp. 1390–1396, Aug. 2005.

[26] A. M. Bianchi and M. O. Mendez, “Automatic detection of sleep macrostructure based on a sensorized T-shirt,” Conf. Proc. Annu. Int. Conf. IEEE Eng. Med. Biol. Soc. IEEE Eng. Med. Biol. Soc. Annu. Conf., vol. 2010, pp. 3606–3609, 2010.

[27] A. Coskun et al., “Detection of REM in Sleep EOG Signals,” Indian J. Sci. Technol., vol. 9, no. 25, Jul. 2016.

[28] “DipTrace - Schematic and PCB Design Software.” [Online]. Available: https://diptrace.com/. [Accessed: 25-Jun-2018].

[29] “ATmega328P - 8-bit AVR Microcontrollers - Microcontrollers and Processors.” [Online]. Available: https://www.microchip.com/wwwproducts/en/ATmega328P. [Accessed: 30-May-2018].

[30] B. B. Winter and J. G. Webster, “Driven-right-leg circuit design,” IEEE Trans. Biomed. Eng., vol. BME-30, no. 1, pp. 62–66, Jan. 1983.

[31] S. Baccar, T. Levi, D. Dallet, and F. Barbara, “Modeling and simulation of an instrumentation amplifier in high temperature using a VHDL-AMS op-amp model,” in 2014 IEEE 12th International New Circuits and Systems Conference (NEWCAS), 2014, pp. 13–16.

[32] “INA333 Low-Power, Zero-Drift, Precision Instrumentation Amplifier | TI.com.” [Online]. Available: http://www.ti.com/product/INA333. [Accessed: 30-May-2018].

42

[33] “Aktiva Filter.” [Online]. Available: http://www8.tfe.umu.se/courses/elektro/anakrets/TDV00/html/grupp9/index.html. [Accessed: 15-Apr-2018].

[34] “adn003.pdf.” . [35] “FilterLab Filter Design Software - filterlabdesignsoftware | Microchip

Technology Inc.” [Online]. Available: https://www.microchip.com/developmenttools/productdetails.aspx?partno=filterlabdesignsoftware. [Accessed: 30-May-2018].

[36] “LTC1050 Datasheet and Product Info | Analog Devices.” [Online]. Available: http://www.analog.com/en/products/amplifiers/operational-amplifiers/high-voltage-op-amps-greaterthanequalto-12v/ltc1050.html#product-overview. [Accessed: 30-May-2018].

[37] “LTC2051 Datasheet and Product Info | Analog Devices.” [Online]. Available: http://www.analog.com/en/products/amplifiers/operational-amplifiers/low-input-bias-current-op-amps/ltc2051.html. [Accessed: 30-May-2018].

[38] “Dura Stick Plus - Handla tryggt på Apoteket.se.” [Online]. Available: https://www.apoteket.se/produkt/dura-stick-plus-4-st-241564/. [Accessed: 30-May-2018].

[39] “Pulse Sensor - SEN-11574 - SparkFun Electronics.” [Online]. Available: https://www.sparkfun.com/products/11574. [Accessed: 15-Apr-2018].

[40] “SparkFun Triple Axis Accelerometer Breakout - ADXL335 - SEN-09269 - SparkFun Electronics.” [Online]. Available: https://www.sparkfun.com/products/9269. [Accessed: 30-May-2018].

[41] “Circuit Design Tools & Calculators | Design Center | Analog Devices.” [Online]. Available: http://www.analog.com/en/design-center/design-tools-and-calculators.html. [Accessed: 30-May-2018].

43

TRITA TRITA-EECS-EX-2018:141

www.kth.se