Modelo de aprendizaje profundo para la detección de los patrones de onda cerebral N1 durante los periodos de sueño
Year: 2026
Type: dissertation
Abstract: La clasificación automática de las etapas del sueño es una tarea relevante para el apoyo al diagnóstico clínico y el análisis neurofisiológico, al reducir la carga asociada a la evaluación manual de registros polisomnográficos. Presenta desafíos en la identificación de la etapa de transición N1 y en la capacidad de los modelos para generalizar ante señales provenientes de diferentes bases de datos y condiciones de adquisición. El objetivo fue desarrollar y evaluar un modelo automatizado para clasificar las etapas del sueño, con énfasis en la fase de transición N1, a partir de las señales de electroencefalografía de un solo canal, mediante ConvNeXt V2 y el ensamble por votación, y alcanzar la generalización robusta frente a los cambios de dominio. Las señales de electroencefalografía de un solo canal, procedentes de los conjuntos de datos multidominio Sleep-EDF, Sleep-EDFX, y NSRR SHHS, se procesaron secuencialmente convirtiendo las polisomnografías al formato columnar Apache Parquet, y luego en espectrogramas 2D para erradicar los cuellos de botella de entrada/salida durante el entrenamiento. Para el desequilibrio de clases se aplicó la penalización selectiva mediante pesos de clase agresivos (w = 6,5 para N1), consolidando un motor de inferencia optimizado a través del ensamble por votación suave, bajo un protocolo de validación cruzada dejando a un sujeto fuera. El modelo individual ConvNeXT V2 Base consolidado alcanzó una sensibilidad de 74,64 % para N1, y evidenció el efecto de la ponderación agresiva de clases sobre una fase transicional difícil de clasificar. Posteriormente, el ensamble por votación suave de los tres modelos mejoró la estabilidad global del sistema, alcanzando una exactitud general de 82,25 % y una sensibilidad de 55,56 % para N1. El modelo individual con mejor equilibrio alcanzó una sensibilidad de 74,64 % para N1. Al integrar los tres modelos usando ensamble, la exactitud global aumentó a 82,25 %, con una sensibilidad de 55,56 % para N1. El ensamble priorizó la estabilidad global y la reducción de errores generales, aunque con una sensibilidad N1 menor que la obtenida por el modelo individual más sensible.
Language: Spanish
Subfield: Cognitive Neuroscience
Field: Neuroscience
Domain: Life Sciences
Open Access status: green
OpenAlex ID: W7167305377