Estimación Automática del Índice de Apnea-hipopnea Utilizando Redes Neuronales para Detectar Apnea del Sueño

Los sujetos objeto de estudio proceden de la unidad de sueño del "Hospital Universitario Río Hortega" (HURH) de Valladolid (España). Todos los sujetos son derivados a la unidad de sueño por sospecha de SAHS. Todo el conjunto de población se divide posteriormente en conjunto de entrenamiento y conjunto de prueba. El conjunto de entrenamiento se usa para componer el modelo de regresión, mientras que el conjunto de prueba se usa para evaluar aún más su rendimiento.

Para el diagnóstico de SAHS se utiliza el índice de apnea-hipopnea (IAH) estándar de la PSG. De acuerdo con las reglas de la Academia Estadounidense de Medicina del Sueño (AASM), la apnea se define como una caída en la señal del flujo de aire mayor o igual al 90 % desde la línea de base que dura al menos 10 s, mientras que la hipopnea se define como una caída mayor o igual a 50 s. % durante al menos 10 s acompañado de una desaturación mayor o igual al 3% y/o un despertar. Los sujetos con un IAH >= 10 eventos por hora (e/h) son diagnosticados de SAHS.

Se utiliza un pulsioxímetro portátil (WristOX2 3150, Nonin) para la NPO ambulatoria. La NPO se realiza el día inmediatamente anterior o posterior a la PSG en el domicilio del paciente. Los pacientes son asignados para realizar el estudio NPO antes o después de la PSG intrahospitalaria de forma aleatoria. Además, la oximetría también se realiza simultáneamente a la PSG mediante el pulsioxímetro portátil. Por lo tanto, cada paciente tiene 3 registros oximétricos: (i) SpO2 de monitoreo portátil desatendido en el hogar, (ii) SpO2 de monitoreo portátil asistido en el hospital y (iii) SpO2 de PSG estándar asistido en el hospital.

SpO2 se registra a una frecuencia de muestreo de 1 Hz. Todas las grabaciones de SpO2 se guardan en archivos separados y se procesan sin conexión. Se lleva a cabo una etapa de preprocesamiento automático de la señal para eliminar los artefactos.

Nuestra metodología se divide en dos etapas: extracción de características y reconocimiento de patrones. Los registros oximétricos se parametrizan por medio de 16 características de cuatro subconjuntos de características para componer el conjunto inicial de características de la oximetría: estadísticas en el dominio del tiempo, estadísticas en el dominio de la frecuencia, medidas espectrales convencionales y características no lineales. Todas las características se calculan para cada registro nocturno completo.

• Características 1 a 4. Momentos de primer a cuarto orden (M1t - M4t) en el dominio del tiempo: la media aritmética (M1t), la varianza (M2t), la asimetría (M3t) y la curtosis (M4t) se aplican para cuantificar la tendencia central, la cantidad de dispersión, asimetría y picos, respectivamente.
• Características 5 a 8. Momentos de primer a cuarto orden (M1f - M4f) en el dominio de la frecuencia.
• Característica 9. Frecuencia media (MF), que se define como el componente que comprende el 50% de la potencia de la señal.
• Característica 10. Entropía espectral (SE), que es un cuantificador de desorden relacionado con la planitud del espectro.
• Característica 11. Potencia espectral total (PT), que se calcula como el área total bajo la PSD.
• Característica 12. Amplitud máxima (PA) en la banda de frecuencia de apnea, que es el máximo local del contenido espectral en el rango de frecuencia 0,014 - 0,033 Hz.
• Característica 13. Potencia relativa (PR), que es la relación entre el área encerrada bajo la PSD en la banda de frecuencia de apnea y la potencia total de la señal.
• Característica 14. Entropía de muestra (SampEn), que cuantifica la irregularidad en series de tiempo, con valores más grandes correspondientes a datos más irregulares.
• Característica 15. Medida de tendencia central (CTM), que proporciona una medida de variabilidad a partir de gráficos de diferencia de segundo orden.
• Característica 16. Lempel - Complejidad Ziv (LZC), que es una medida de complejidad relacionada con la tasa de nuevas subsecuencias y su repetición a lo largo de la señal.

La segunda etapa corresponde al análisis de regresión, que tiene como objetivo proporcionar una expresión analítica para el AHI en función de las características extraídas. Se utiliza una red neuronal de perceptrón multicapa (MLP). Las redes MLP son modelos para expresar conocimiento utilizando un paradigma conexionista inspirado en el cerebro humano. Están compuestos por múltiples unidades simples o neuronas conocidas como perceptrones. Los perceptrones están dispuestos en varias capas interconectadas. Cada conexión de red entre dos de ellos está asociada a un parámetro o peso adaptativo de red. Se implementan redes MLP con una sola capa oculta compuesta por perceptrones no lineales (es decir, con una función de activación no lineal) ya que son capaces de aproximación universal. La tarea de regresión propuesta tiene como objetivo aproximar una variable continua 1-D que representa el AHI. Por lo tanto, se requiere una sola unidad de salida con una función de activación lineal.