Estimativa automática do índice de apnéia-hipopnéia usando redes neurais para detectar apnéia do sono

Os indivíduos em estudo são recrutados na unidade de sono do "Hospital Universitario Río Hortega" (HURH) de Valladolid (Espanha). Todos os sujeitos são encaminhados para a unidade de sono por suspeita de sofrerem de SAHS. Todo o conjunto da população é subsequentemente dividido em conjunto de treinamento e conjunto de teste. O conjunto de treinamento é usado para compor o modelo de regressão, enquanto o conjunto de teste é usado para avaliar melhor seu desempenho.

O índice padrão de apneia-hipopneia (IAH) da PSG é usado para diagnosticar SAHS. De acordo com as regras da Academia Americana de Medicina do Sono (AASM), a apneia é definida como uma queda no sinal do fluxo de ar maior ou igual a 90% da linha de base com duração de pelo menos 10 segundos, enquanto a hipopneia é definida como uma queda maior ou igual a 50 % durante pelo menos 10 s acompanhada de dessaturação maior ou igual a 3% e/ou despertar. Indivíduos com IAH >= 10 eventos por hora (e/h) são diagnosticados como sofrendo de SAHS.

Um pulsooxímetro portátil (WristOX2 3150, Nonin) é usado para NPO ambulatorial. A NPO é realizada no dia imediatamente anterior ou após a PSG na casa do paciente. Os pacientes são designados para realizar o estudo NPO antes ou depois da PSG intra-hospitalar aleatoriamente. Além disso, a oximetria também é realizada simultaneamente à PSG por meio do pulsooxímetro portátil. Portanto, cada paciente tem 3 registros oximétricos: (i) SpO2 de monitoramento portátil não assistido em casa, (ii) SpO2 de monitoramento portátil intra-hospitalar assistido e (iii) SpO2 de PSG padrão assistido no hospital.

O SpO2 é registrado a uma taxa de amostragem de 1 Hz. Todas as gravações de SpO2 são salvas em arquivos separados e processadas offline. Um estágio de pré-processamento automático de sinal é realizado para remover artefatos.

Nossa metodologia é dividida em duas etapas: extração de características e reconhecimento de padrões. Os registros oximétricos são parametrizados por meio de 16 características de quatro subconjuntos de características para compor o conjunto inicial de características da oximetria: estatísticas no domínio do tempo, estatísticas no domínio da frequência, medidas espectrais convencionais e características não lineares. Todos os recursos são calculados para cada gravação noturna inteira.

• Características 1 a 4. Momentos de primeira a quarta ordem (M1t - M4t) no domínio do tempo: média aritmética (M1t), variância (M2t), assimetria (M3t) e curtose (M4t) são aplicados para quantificar tendência central, quantidade de dispersão, assimetria e picos, respectivamente.
• Características 5 a 8. Momentos de primeira a quarta ordem (M1f - M4f) no domínio da frequência.
• Recurso 9. Frequência mediana (MF), que é definida como o componente que compreende 50% da potência do sinal.
• Recurso 10. Entropia espectral (SE), que é um quantificador de desordem relacionado ao achatamento do espectro.
• Recurso 11. Potência espectral total (PT), que é calculada como a área total sob o PSD.
• Recurso 12. Amplitude de pico (PA) na banda de frequência de apnéia, que é o máximo local do conteúdo espectral na faixa de frequência 0,014 - 0,033 Hz.
• Recurso 13. Potência relativa (PR), que é a relação entre a área incluída sob o PSD na banda de frequência de apnéia e a potência total do sinal.
• Funcionalidade 14. Entropia de amostra (SampEn), que quantifica irregularidade em séries temporais, com valores maiores correspondendo a dados mais irregulares.
• Recurso 15. Medida de tendência central (CTM), que fornece uma medida de variabilidade a partir de gráficos de diferenças de segunda ordem.
• Recurso 16. Complexidade Lempel - Ziv (LZC), que é uma medida de complexidade ligada à taxa de novas subsequências e sua repetição ao longo do sinal.

A segunda etapa corresponde à análise de regressão, que visa fornecer uma expressão analítica para o IAH em função das características extraídas. Uma rede neural perceptron multicamada (MLP) é usada. As redes MLP são modelos para expressar conhecimento usando um paradigma conexionista inspirado no cérebro humano. Eles são compostos de múltiplas unidades simples ou neurônios conhecidos como perceptrons. Perceptrons são organizados em várias camadas interconectadas. Cada conexão de rede entre dois deles está associada a um parâmetro ou peso adaptativo de rede. Redes MLP com uma única camada oculta composta por perceptrons não lineares (ou seja, com uma função de ativação não linear) são implementadas, pois são capazes de aproximação universal. A tarefa de regressão proposta visa aproximar uma variável contínua 1-D que representa o IAH. Assim, é necessária uma única unidade de saída com uma função de ativação linear.