Introduktion: Sömn är en erkänt viktig del för idrottslig prestation. Intresset och möjligheterna att övervaka den har ökat betänkligt till följd av antalet tillgängliga sömnmonitorerande bärbara verktyg (SBV) idag. Denna utrustning bidrar med en möjlighet att kontinuerligt samla in data, men till följd av den snabba utvecklingen av dessa verktyg finns det ett ständigt behov av mer valideringsarbete.   Syfte: Syftet med litteraturöversikten var att undersöka och redogöra hur väl olika sömnmonitorerande bärbara verktyg kan monitorera sömn i relation till polysomnografi (PSG), nivå I bland friska individer.   Metod: En strukturerad litteratursökning utfördes i databaserna SPORTdiscus och PubMed under tidsperioden 2023-03-15 till och med 2023-04-06 med syftet att identifiera artiklar som jämförde kommersiellt tillgängliga SBV mot PSG, nivå I bland friska individer. Vi utvärderade kvaliteten och risken för bias för de inkluderade studierna genom en modifierad checklista av Downs & Black (1998).  Resultat: Efter en granskning av 213 artiklar inkluderades 11 av dem, innehållandes totalt 368 deltagare. Resultatet visade att SBV har svårigheter att korrekt estimera tid spenderad i respektive sömnfas i jämförelse mot PSG. Förmågan att uppskatta Total Sleep Time (TST) och Wake After Sleep Onset (WASO) varierade stort mellan de olika modellerna. Gällande Sleep Onset Latency (SOL), hjärtfrekvensen (HR) och hjärtfrekvensvariabiliteten (HRV) var det få statistiskt signifikanta resultat samt antal studier som undersökte dessa tre variabler.  Konklusion: I dagsläget har SBV problem att uppmäta tiden spenderad i respektive sömnfas, och uppvisar varierande resultat i fråga om estimeringen av TST och WASO. Gällande SOL, HR och HRV fanns det inte tillräckligt med underlag i de inkluderande studierna för att dra slutsatser om förmågan hos SBV att uppskatta dessa variabler. Individer bör vara försiktiga vid appliceringen av data från verktygen, samt medvetna om de eventuella risker som kan tillkomma när denna data introduceras inom den atletiska populationen. / Introduction: Sleep is widely recognized as an important factor for athletic performance. The interest and possibility of measuring it has increased dramatically following the number of available wearable devices today. These wearables provide an opportunity to continuously collect data in a home environment, but because of the rapid increase of commercial availability, there remains a constant need for more validation of the most recent models.   Purpose: The purpose of this review was to examine the capability of different wearables to monitor sleep in comparison to polysomnography (PSG), level I in healthy individuals.  Method: A structured literature review was performed in the databases SPORTDiscus and PubMed under the period 2023-03-15 until 2023-04-06 with the aim of identifying relevant articles that compared commercially available wearables to PSG level I in healthy individuals. We assessed the quality and risk of bias of the included studies with a modified questionnaire from Downs & Black (1998).  Results: After screening 213 articles, 11 of them were included, which in total amounted to 368 participants. The result showed that wearables struggle to correctly estimate the time spent in each sleep-stage in comparison with PSG. The capability to assess Total Sleep Time (TST) and Wake After Sleep Onset (WASO) varied between the different models. There were few statistically significant results of the ability to measure Sleep Onset Latency (SOL), Heart Rate (HR) and Heart Rate Variability (HRV).  Conclusion: Wearables have, at present time, a difficult time correctly estimating time spent in each sleep-stage and show varied results in monitoring TST and WASO. Too few studies analyzed SOL, HR and HRV to draw conclusions regarding these variables. Individuals should be cautious when implementing the data from these devices, and aware of the potential risks when it is used with athletes.

Sleep arousal is a phenomenon that affects the sleep of a large amount of people. The process of predicting and classifying arousal events is done manually with the aid of certified technologists, although some research has been done on automation using Artificial Neural Networks (ANN). This study explored how a Support Vector Machine performed(SVM) compared to an ANN on this task. Polysomnography (PSG) is a sort of sleep study which produces the data that is used in classifying sleep disorders. The PSG-data used in this thesis consists of 13 wave forms sampled at or resampled at 200Hz. There were samples from 994 patients totalling approximately 6.98 1010 data points, processing this amount of data is time consuming and presents a challenge. 2000 points of each signal was used in the construction of the data set used for the models. Extracted features included: Median, Max, Min, Skewness, Kurtosis, Power of EEG-band frequencies and more. Recursive feature elimination was used in order to select the best amount of extracted features. The extracted data set was used to train two ”out of the box” classifiers and due to memory issues the testing had to be split in four batches. When taking the mean of the four tests, the SVM scored ROC AUC of 0,575 and the ANN 0.569 respectively. As the difference in the two results was very modest it was not possible to conclude that either model was better suited for the task at hand. It could however be concluded that SVM can perform as well as ANN on PSG-data. More work has to bee done on feature extraction, feature selection and the tuning of the models for PSG-data to conclude anything else. Future thesis work could include research questions as ”Which features performs best for a SVM in the prediction of Sleep arousals on PSG-data” or ”What feature selection technique performs best for a SVM in the prediction of Sleep arousals on PSG-data”, etc. / Sömnstörningar är en samling hälsotillstånd som påverkar sömnkvaliteten hos en stor mängd människor. Ett exempel på en sömnstörning är sömnapne. Detektion av dessa händelser är idag en manuell uppgift utförd av certifierade teknologer, det har dock på senare tid gjorts studier som visar att Artificella Neurala Nätverk (ANN) klarar att detektera händelserna med stor träffsäkerhet. Denna studie undersöker hur väl en Support Vector Machine (SVM) kan detektera dessa händelser jämfört med en ANN. Datat som används för att klassificera sömnstörningar kommer från en typ av sömnstudie kallad polysomnografi (PSG). Den PSG-data som används i denna avhandling består av 13 vågformer där 12 spelats in i 200Hz och en rekonstruerats till 200Hz. Datan som används i denna avhandling innehåller inspelningar från 994 patienter, vilket ger totalt ungefär·6.98 1010 datapunkter. Att behandla en så stor mängd data var en utmaning. 2000 punkter från vare vågform användes vid konstruktionen av det dataset som användes för modellerna. De attribut som extraherades innehöll bland annat: Median, Max, Min, Skewness, Kurtosis, amplitud av EEG-bandfrekvenser m.m. Metoden Recursive Feature Elimination användes för att välja den optimala antalet av de bästa attributen. Det extraherade datasetet användes sedan för att träna två standard-konfigurerade modeller, en SVM och en ANN. På grund av en begräning av arbetsminne så var vi tvungna att dela upp träningen och testandet i fyra segment. Medelvärdet av de fyra testen blev en ROC AUC på 0,575 för en SVM, respektive 0,569 för ANN. Eftersom skillnaden i de två resultaten var väldigt marginella kunde vi inte dra slutsatsen att endera modellen var bättre lämpad för uppgiften till hands. Vi kan dock dra slutsatsen att en SVM kan prestera lika väl som ANN på PSG-data utan konfiguration. Mer arbete krävs inom extraheringen av attributen, attribut-eliminationen och justering av modellerna. Framtida avhandlingar skulle kunna göras med frågeställningarna: “Vilka attributer fungerar bäst för en SVM inom detektionen av sömnstörningar på PSG-data” eller ”Vilken teknik för attribut-elimination fungerar bäst för en SVM inom detektionen av sömnstörningar på PSG-data”, med mera.

Bakgrund: Obstruktiv sömnapné (OSA) är en av de vanligaste kroniska sömnsjukdomarna. Sjukdomen kännetecknas av återkommande episoder med andningsuppehåll under sömn. Detta ligger till grund för dagsömnighet och utveckling av systemsjukdomar. Det finna goda behandlingsalternativ för OSA som CPAP (continuous positive airway pressure), bettskena och kirurgi. Respiratorisk polygrafi (hädanefter presenterad som ”polygrafi”) är standardmetoden i Sverige för att diagnosticera OSA. Perifer arteriell tonometri (PAT) är en alternativ metod. Det finns olika kriterier för tolkning av polygrafi. Detta gör det svårt att jämföra studier. Svenska sömnapnéregistret (SESAR) och berörda specialitetsföreningar har därför tagit fram svenska nationella diagnoskriterier för sömnapné, SESAR-kriterierna. Syfte: Syftet med studien var att utreda om indexvärdena, AHI (apné-hypopné index) och ODI (oxygen desaturation index) överensstämmer i totalen och i olika positioner (rygg och icke-rygg) mellan PAT och polygrafi (tolkad med SESAR-kriterierna), samt att undersöka om det föreligger någon systematisk skillnad mellan dem. Material och metod: Elva patienter registrerades med polygrafi (NOX-T3) och PAT(WatchPAT) under en och samma natt. Registreringarna tolkades med SESAR kriterierna och WatchPAT scoring guidelines. Resultat: PAT visade en stark positiv korrelation med polygrafi (Spearman’s rho=0,771–0,963). Slutsats: Ingen signifikant skillnad hittades mellan PAT och polygrafi. / Background: Obstructive sleep apnea (OSA) is the most common chronic sleep disorder. The disease is characterized by recurrent episodes of respiratory arrest during sleep. This is the basis for daytime sleepiness and development of common systemic diseases. There are good treatment options for OSA including CPAP (continuous positive airway pressure), mandibular advancement splints and surgery. Respiratory polygraphy (hereinafter referred to as “polyhraphy”) is the standard method in Sweden for diagnosing OSA. Peripheral arterial tononometry (PAT) is an alternative method. There are different criteria for interpretation of polygraphy, thus making it difficult to compare studies. Svenska sömnapnéregistret (SESAR) and relevant speciality associations have therefore developed a Swedish national diagnostic criterion for sleep apnea, the SESAR-criteria. Purpose: To investigate if PAT and polygraphy (interpreted with the SESAR-criteria), correspond in apnea-hypopnea index (AHI) and oxygen desaturation index (ODI) and if there is any systematic difference between the methods in different positions (supine and non-supine). Material and methods: Eleven patients were registered with polygraphy (NOX-T3) and PAT (WatchPAT) for one night. The registrations were interpreted with the SESAR-criteria and the WatchPAT scoring guidelines, respectively. Results: PAT showed a strong positive correlation with polygraphy (Spearman’s rho=0,771-0,963). Conclusion: No significant difference was found between methods.

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. / 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.