Publication
Ensemble AI Solutions for Personalized Sleep Monitoring Using Wrist-worn Wearables
| datacite.subject.fos | Engenharia e Tecnologia | |
| datacite.subject.sdg | 09:Indústria, Inovação e Infraestruturas | |
| dc.contributor.advisor | Conceição, Luis Manuel Silva | |
| dc.contributor.author | SILVA, VASCO ANTÓNIO PORTILHO CARVALHO DA | |
| dc.date.accessioned | 2025-12-22T11:26:42Z | |
| dc.date.available | 2025-12-22T11:26:42Z | |
| dc.date.issued | 2025-10-28 | |
| dc.description.abstract | Sleep disorders, including insomnia and sleep apnoea, affect a significant proportion of the global population and are closely linked to cardiovascular, metabolic, and mental health conditions. Accurate and long-term monitoring of sleep is therefore a public health priority, as early detection and personalised management can substantially improve quality of life and reduce healthcare costs. This dissertation explores how wrist-worn wearable devices, combined with advanced machine learning and explainable artificial intelligence (XAI) techniques, can enhance the monitoring and analysis of sleep. While polysomnography (PSG) remains the clinical gold standard for sleep assessment, its cost, intrusiveness, and limited scalability restrict its long-term and widespread applicability. To address these limitations, this work proposes an integrated framework that leverages multimodal data, including photoplethysmography (PPG) and accelerometry, for automatic sleep stage classification and the detection of sleep apnoea. The system incorporates ensemble machine learning models to generate high-quality, personalised insights into sleep quality. Furthermore, explainability is ensured through the application of XAI methods, namely SHAP and LIME, enabling healthcare professionals and end-users to understand and trust model predictions. Experimental validation was conducted using multiple publicly available datasets, demonstrating the system’s robustness and generalisability across heterogeneous populations. Ultimately, this research contributes to the development of transparent, non-invasive, and scalable sleep monitoring solutions. It lays the groundwork for real-world applications in personalised healthcare and the early detection of sleep disorders, promoting better clinical decision-making and long-term well-being. | eng |
| dc.description.abstract | Os distúrbios do sono, incluindo a insónia e a apneia do sono, afetam uma parte significativa da população mundial e estão intimamente associados a condições cardiovasculares, metabólicas e de saúde mental. A monitorização precisa e de longo prazo do sono é, por isso, uma prioridade de saúde pública, uma vez que a deteção precoce e a gestão personalizada podem melhorar substancialmente a qualidade de vida e reduzir os custos dos cuidados de saúde. Esta dissertação explora de que forma os dispositivos vestíveis de pulso, em combinação com técnicas avançadas de aprendizagem automática e inteligência artificial explicável (XAI), podem melhorar a monitorização e análise do sono. Embora a polissonografia (PSG) continue a ser o padrão clínico de referência para a avaliação do sono, o seu custo, carácter intrusivo e limitada escalabilidade restringem a sua aplicabilidade em contextos de longo prazo e em larga escala. Para colmatar estas limitações, este trabalho propõe um sistema integrado que utiliza dados multimodais, nomeadamente fotopletismografia (PPG) e acelerometria, para a classificação automática das fases do sono e deteção de apneia do sono. O sistema recorre a modelos de aprendizagem automática em ensemble para gerar informações personalizadas e de elevada qualidade sobre a qualidade do sono. A explicabilidade é assegurada através da aplicação de métodos XAI, como o SHAP e o LIME, permitindo que profissionais de saúde e utilizadores compreendam e confiem nas previsões geradas pelos modelos. A validação experimental foi realizada com múltiplos conjuntos de dados públicos, demonstrando a robustez e a capacidade de generalização do sistema em populações heterogéneas. Em última análise, esta investigação contribui para o desenvolvimento de soluções de monitorização do sono transparentes, não invasivas e escaláveis. Estabelece as bases para aplicações reais no contexto da saúde personalizada e na deteção precoce de distúrbios do sono, promovendo uma melhor tomada de decisão clínica e o bem-estar a longo prazo. | por |
| dc.identifier.tid | 204067979 | |
| dc.identifier.uri | http://hdl.handle.net/10400.22/31317 | |
| dc.language.iso | eng | |
| dc.rights.uri | N/A | |
| dc.subject | Artificial Intelligence | |
| dc.subject | Machine Learning | |
| dc.subject | Wearable Technology | |
| dc.subject | Sleep Monitoring | |
| dc.subject | Sleep Apnoea Detection | |
| dc.subject | Explainable AI | |
| dc.title | Ensemble AI Solutions for Personalized Sleep Monitoring Using Wrist-worn Wearables | eng |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| thesis.degree.name | Mestrado em Engenharia de Inteligência Artificial |