Detección y clasificación de eventos de Sahs utilizando métodos de aprendizaje automático

Abstract

Hoy en día, el síndrome de apneas e hipoapneas del sue no (SAHS) es una enfermedad muy prevalente en la poblacion que puede repercutir considerablemente en la calidad de vida e inducir diferentes enfermedades circulatorias, neurocognitivas y metabólicas. Sin embargo, se estima que no se diagnostica a todas las personas que la padecen. Esto se debe a que la prueba diagnostica de referencia, la polisomnografıa, es cara, incomoda e ineficiente para un cribado masivo de la poblacion. Por todo ello, nuevas lıneas de investigacion buscan desarrollar tecnicas y modelos mas sencillos que permitan diagnosticar el SAHS. En este Trabajo de Fin de Master se ha disenado un sistema de segmentacion y clasificacion de eventos de SAHS basado en metodos de aprendizaje automatico supervisado, con el fin ́ultimo de poder ser utilizado para un sistema m ́as sencillo derecomendaci ́on de diagn ́ostico de SAHS. Para ello, se utiliza ́unicamente las se ̃nalesde flujo y sonido respiratorio de los registros de polisomnografıa domiciliaria de 38 pacientes del Hospital Fundacion de Alcorcon. Se realizan dos etapas importantes: segmentacion y clasificacion de eventos informativos de apnea. En la tarea de segmentacion, a partir de las etiquetas de eventos realizadas en los registros del flujo respiratorio por los medicos especialistas del sueno, se segmentan vectores anteriores y posteriores a los eventos de apnea obstructiva enla se ̃nal de los sonidos respiratorios; la hipotesis inicial sugiere que el sonido alrededor de los episodios de apnea es informativo para resolver este problema de clasificacion.De esta forma, se consigue obtener un conjunto de datos reducido en el contexto deuna prueba hospitalaria que registra aproximadamente 7-8 horas de datos fisiologicos junto con su correspondiente diagnostico. Por otro lado, en la tarea de clasificacion, se normalizan los vectores obtenidos en la etapa previa de segmentacion, se extraen las caracterısticas de audio y se obtienen diferentes codificaciones siguiendo la t ́ecnica deenventanado. As ́ı mismo, se exploran m ́etodos de aprendizaje autom ́atico para clasifi-car los eventos de apnea obstructiva, y se estudia si la incorporacion de la codificacion que preserva la estructura temporal de los datos mejora los resultados de prediccion .Los resultados sugieren que la segmentacion realizada es valida, pudiendose obtener una buena clasificacion. En concreto, el mejor modelo con la parametrizacion explora-da se obtiene con el algoritmo Random Forest Symbolic representation for MultivariateTime Seriesy una codificacion basada en ventanas de 5 segundos, con una tasa de acierto del 82,4 % aproximadamente. Este modelo, que preserva la estructura temporal de los datos, mejora los resultados de prediccion que ofrecen los algoritmos tradicionales como Maquinas de Vectores de Soporteo Random Foresty las Redes Neuronales Recurrentes con la parametrización estudiada.