Clasificación automática de las etapas del sueño mediante técnicas de aprendizaje profundo.
Year: 2023
Type: dissertation
Abstract: El sueño juega un papel crucial en la salud mental y física de las personas. Dormir adecuadamente favorece el desarrollo de procesos neurocognitivos, como la consolidación de la memoria, el aprendizaje, la concentración y atención, el estado emocional y la toma de decisiones. Sin embargo, los trastornos del sueño representan un creciente y peligroso problema de salud pública en la sociedad en la que vivimos. La polisomnografía (PSG) nocturna es el estándar de oro para la evaluación del sueño y se encarga de la medición en paralelo de múltiples señales fisiológicas. El primer paso esencial en el diagnóstico y tratamiento de los trastornos del sueño es la clasificación de las fases del sueño, que consiste en dividir los datos registrados por el PSG en segmentos de 30 segundos, denominados épocas, y etiquetarlos con uno de los estados del sueño. No obstante, se trata de un procedimiento muy costoso en tiempo que precisa de la intervención manual de técnicos especializados, traduciéndose en una tarea lenta, repetitiva y compleja que es invasiva en el sueño del paciente debido a la colocación de un elevado número de sensores en el cuerpo. A partir de este contexto, el objetivo del presente trabajo consiste en el diseño y desarrollo de un modelo de aprendizaje automático para la clasificación de las etapas del sueño, automatizando la gestión de las señales recopiladas a través de dispositivos EEG vestibles encargados de la monitorización del sueño en entornos domésticos, evitando las dificultades y los costes existentes en la obtención de los datos con el PSG. Adicionalmente, debido al comportamiento de caja negra que presentan este tipo de algoritmos, se proponen técnicas de explicabilidad que posibiliten un mayor entendimiento acerca de su funcionamiento. Para ello, partiendo del estudio de las metodologías que conforman el estado del arte en la medicina del sueño, se ha desarrollado una red neuronal profunda que ha sido evaluada en diferentes conjuntos de datos heterogéneos. Los resultados presentados en este proyecto demuestran la validez del modelo para clasificar el sueño en tiempo real a través de un número limitado de canales de información, cuyo rendimiento se encuentra a la altura del obtenido por evaluadores humanos profesionales. Además, se han validado los métodos de interpretabilidad propuestos, los cuales ayudan a la comprensión de cada uno de los componentes de la arquitectura del modelo y, en consecuencia, facilitan la aceptación y adopción de esta tecnología en el sector clínico. De esta forma, el presente trabajo sirve como prueba de concepto para una futura tecnología del sueño que permitirá reducir la carga de trabajo que sufren muchos médicos y escalar el estudio del sueño a las necesidades de millones de personas en el mundo que padecen trastornos del sueño.
Source: Zaguan (Universidad de Zaragoza)
Authors: Estevan Tomás, Emilio, Sierra Torralba, María
Institution: Universidad de Zaragoza
Language: Spanish
Subfield: Cognitive Neuroscience
Field: Neuroscience
Domain: Life Sciences
Open Access status: green
OpenAlex ID: W6980563037
