การจำแนกพฤติกรรมการนอนหลับตามการจัดกลุ่มของคุณภาพการนอนหลับ

ปวรรัตน์ ขุมเงิน

dc.contributor.advisor	สุกรี สินธุภิญโญ
dc.contributor.author	ปวรรัตน์ ขุมเงิน
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
dc.date.accessioned	2023-08-04T07:37:03Z
dc.date.available	2023-08-04T07:37:03Z
dc.date.issued	2565
dc.identifier.uri	https://cuir.car.chula.ac.th/handle/123456789/83129
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2565
dc.description.abstract	การนอนหลับเป็นกิจกรรมสำคัญที่มีอิทธิพลต่อการดำรงชีวิต ซึ่งความสำคัญของการนอนหลับคือการฟื้นฟู ซ่อมแซมเซลล์ภายในร่างกายและเตรียมพร้อมพลังงานสำหรับการเริ่มต้นในวันถัดไป การนอนหลับที่ดีสามารถสื่อได้ถึงสุขภาพกายและสุขภาพจิตที่แข็งแรงโดยสามารถวัดได้จากคุณภาพการนอนหลับ การศึกษาทั่วไปจะนิยมใช้ข้อมูลทั้งหมดในการสอนแบบจำลองแต่ในการศึกษานี้เชื่อว่ารูปแบบการนอนหลับในแต่ละบุคคลจะมีความแตกต่างกัน ดังนั้นวิทยานิพนธ์ฉบับนี้ขอเสนอการจำแนกพฤติกรรมการนอนหลับตามการจัดกลุ่มของคุณภาพการนอนหลับ ขั้นตอนแรกคือการจัดกลุ่มคนที่มีรูปแบบการนอนหลับที่คล้ายคลึงกันโดยใช้เทคนิคการวิเคราะห์องค์ประกอบหลักและอัลกอริทึมเคมีน ต่อมาใช้อัลกอริทึมการถดถอยโลจิสติกและการป่าแแบบสุ่มในการจำแนกพฤติกรรมการนอนหลับ หลังจากนั้นทดสอบประสิทธิภาพการวิเคราะห์ของแบบจำลองด้วยการตรวจสอบไขว้แบบดึงข้อมูลออกทีละตัว จากผลการทดลองพบว่าค่าความแม่นยำแบบจำลองของอัลกอริทึมการป่าแแบบสุ่มในทุกกลุ่มให้ผลลัพธ์ที่ดีกว่าแบบจำลองของการถดถอยโลจิสติกระหว่าง 2.1% ถึง 7.6%
dc.description.abstractalternative	Sleep is a significant activity that can influence livelihoods. The critical part of sleep is recovery, repairing cells physically, and preparing energy for the beginning of the next living days. Good sleep can refer to strong health and mental health which is capably measured by sleep quality. Normally, many works used the whole dataset to train models. But we believe that each person has a different sleeping pattern. So, in this paper, we presented a classification of sleep behavior based on a cluster of sleep quality. We first clustered people who have similar sleep patterns using the Principal Component Analysis technique and K-means algorithm. Then, we used Logistic Regression and Random Forest algorithm to classify sleep behavior. We performed models from the analysis with Leave-one-out cross-validation. The results showed that the accuracy given by Random Forest algorithm models in every group was better than Logistic Regression models between 2.1% and 7.6%.
dc.language.iso	th
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2022.779
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย
dc.title	การจำแนกพฤติกรรมการนอนหลับตามการจัดกลุ่มของคุณภาพการนอนหลับ
dc.title.alternative	Sleep behavior classification based on clusters of sleep quality
dc.type	Thesis
dc.degree.name	วิทยาศาสตรมหาบัณฑิต
dc.degree.level	ปริญญาโท
dc.degree.discipline	วิทยาศาสตร์คอมพิวเตอร์
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย
dc.identifier.DOI	10.58837/CHULA.THE.2022.779