Procesamiento de señales relacionadas con patologías del sueño

Mecánica Computacional
0
Descripción

Una gran porción de la población humana adulta sufre de algún trastorno del sueño, siendo el síndrome de apnea obstructiva del sueño (SAOS) uno de los que tiene mayor prevalencia. El procedimiento de diagnóstico estándar para determinar la presencia de patologías del sueño y cuantificar su severidad es la polisomnografía (PSG), un estudio en el que se registran numerosas variables fisiológicas durante el sueño nocturno en un lugar especializado para tal fin, llamado laboratorio del sueño. Este procedimiento resulta costoso, complejo y poco accesible para la población, lo que conduce a un subdiagnóstico generalizado de este tipo de patologías. Por estas razones, existe un creciente interés en reducir la necesidad de estudios de PSG para analizar el sueño del paciente, el cual se ha materializado en el desarrollo de varias propuestas cuyo objetivo es realizar un cribado de las patologías del sueño, teniendo el doble objetivo de permitir obtener un conocimiento general de su prevalencia en la población y de decidir qué porción de los sujetos atendidos necesitan realmente un estudio más complejo para ser debidamente diagnosticados. Entre las propuestas más prometedoras se encuentra la oximetría de pulso, destacándose por su bajo costo, la simpleza de su instrumentación y su accesibilidad. A partir de este dispositivo se pueden obtener estimaciones de la frecuencia cardíaca y de la saturación periférica de oxígeno en sangre que resultan particularmente útiles para numerosas patologías del sueño, teniendo además la ventaja de ser un equipamiento que interfiere mínimamente con el sueño del sujeto monitoreado. Un indicador muy importantes para evaluar en los estudios de sueño es el tiempo total de sueño (TTS). Ninguno de los métodos de cribado para patologías del sueño tienen capacidad de obtener el TTS, el cual, en estudios más complejos y en el estado del arte en general, es estimado principalmente mediante electroencefalografía. Abordando este inconveniente de los métodos de cribado, el objetivo de esta tesis es desarrollar algoritmos que permitan estimar el TTS utilizando oximetría de pulso. Varios estudios sugieren que los cambios en el sistema nervioso central durante la noche se ven reflejados en modificaciones en la dinámica de varias señales fisiológicas, entre ellas las señales cardíacas. Dado que el oxímetro de pulso provee una estimación de la frecuencia cardíaca, a través de ella se pueden registrar estos cambios y, con un procesamiento adecuado, clasificar el estado del sueño en despierto y dormido. Esto, a su vez, puede complejizarse de forma que los algoritmos ya no sólo sean capaces de diferenciar entre los estados de despierto y dormido, sino que puedan clasificar automáticamente las fases del sueño en su totalidad, las cuales proveen información fundamental en los estudios del sueño. Además, esta técnica presenta una ventaja adicional para el cribado del SAOS, una patología caracterizada por la interrupción de las vías aéreas y, asociado a ello, un descenso en el nivel de oxígeno en sangre que puede ser detectado indirectamente por el oxímetro a través de la stimación de la saturación periférica de oxígeno en sangre. Una de los indicadores más importantes para la severidad del SAOS es el índice de apnea/hipopnea (AHI, por sus siglas en inglés) que mide la frecuencia de estas interrupciones respecto al TTS. Existen varios métodos de cribado capaces de detectar estas desaturaciones, sin embargo ninguno de ellos tiene acceso al TTS. La primera contribución de esta tesis es un algoritmo basado en métodos clásicos que permite clasificar el estado del sueño en despierto y dormido utilizando la señal de frecuencia cardíaca provista por un oxímetro de pulso comercial. En este algoritmo se extrajeron 70 características mediante medidas de entropía y de complejidad, métodos para análisis del dominio de la frecuencia y del dominio tiempo-escala, así también como estadísticos clásicos. Sobre el espacio de características obtenido se realizó una reducción dimensional mediante métodos de selección. Luego, las características seleccionadas se utilizaron en dos clasificadores: uno basado en máquinas de soporte vectorial y otro basado en bosques aleatorios. Los resultados obtenidos, aunque alentadores por ser un primer trabajo, pusieron en eviencia la necesidad de desarrollar un método que tome en consideración la información del contexto para clasificar los segmentos de frecuencia cardíaca. De esta forma, y como segunda contribución, se desarrolló un método que realiza la clasificación en forma secuencial. Es decir, que la clasificación de un segmento dado dependerá de la información actual, pero también se relacionará con la información pasada y futura. La introducción de esta propiedad se logró mediante la creación de un algoritmo basado en unidades recurrentes con compuertas (GRU, por sus siglas en inglés). La arquitectura consiste en dos capas de GRU bidireccionales que clasifican el sueño en despierto y dormido. A diferencia del caso anterior, se utilizó como entrada para este algoritmo tanto la frecuencia cardíaca como la saturación de oxígeno en sangre, ambas provenientes de un oxímetro de pulso. Los resultados obtenidos por la red neuronal propuesta son comparables con algoritmos del estado del arte que utilizan señales muchísimo más informativas, con la sola excepción de los algoritmos basados en electroencefalografía. Para este algoritmo, además, presentamos una variación que permite una mayor discriminación de las fases del sueño, según se establece en los criterios de la Academia Americana de Medicina del Sueño (AASM), ampliamente aceptados en todo el mundo. Con este resultado, superamos el estado del arte de todos los métodos para cribado automático de las fases del sueño. Dada su naturaleza secuencial, las GRU tienen una serie de desventajas en lo que respecta al cálculo paralelo necesario para entrenar el algoritmo, lo que conduce a un aprendizaje muy lento y, a su vez, genera una gran demanda en la memoria computacional. Por esta razón, la tercera y última contribución de esta tesis es un método basado en mecanismos de atención que permiten superar esta desventaja, obteniendo entrenamientos hasta 10 veces más rápidos y sin una pérdida significativa de desempeño. La arquitectura de este algoritmo se compone de redes convolucionales temporales (del inglés TCN), capaces de extraer en forma automática características de la señal, que luego son procesadas mediante un tipo especial de redes neuronales que únicamente utilizan mecanismos de atención llamados transformers. A partir de estos desarrollos observamos que las redes de atención también fueron capaces de modelar las dependencias temporales presentes entre los estados de sueño despierto y dormido. El logro de una estimación confiable del TTS y de una correcta clasificación de las fases del sueño, tanto en su versión simplificada (despierto y dormido) como en su versión completa (fases del sueño según AASM), constituyen el aporte principal de esta tesis doctoral. Como cierre de esta tesis y para establecer los futuros lineamientos que continuarán estos desarrollos, realizamos un análisis preliminar de la variación del desempeño de un algoritmo de cribado del SAOS al incorporar el TTS estimado por nuestros métodos para calcular la frecuencia de los eventos respiratorios. Los resultados sugieren una leve mejora respecto a utilizar una aproximación al TTS mediante el tiempo total del registro y alientan a seguir trabajando en esta línea.


CASAL, Ramiro

17/09/2024

Tesis doctoral

Comentarios