Detección Automática y Caracterización de Patrones de Husos Sigma en Registros Polisomnográficos de Niños

Abstract

El objetivo de este trabajo de tesis fue desarrollar un sistema de detección automática y de caracterización de patrones Husos Sigma (HS) en registros polisomnográficos de niños sanos, sin la necesidad del conocimiento previo de la evolución temporal de los estados y etapas de sueño durante la noche (hipnograma).

La identificación automática de patrones de sueño permite una adecuada clasificación de los estados y etapas de sueño, y además se asocian con procesos fisiológicos importantes tales como: normal desarrollo del sistema nervioso central, consolidación de la memoria y plasticidad cerebral. Los HS son uno de los más característicos patrones del EEG durante el sueño, y su aparición marca el inicio de la etapa de sueño quieto 2 (SQ 2). Se definen como trenes de ondas de frecuencia en la banda sigma (10 a 16 Hz) con una duración típica de 0,5 a 2 s, caracterizados por un aumento progresivo de la amplitud sucedido por un descenso gradual de ésta (forma de huso), y normalmente montados sobre ondas más lentas y de mayor amplitud.

El sistema de detección desarrollado incorpora técnicas de procesamiento avanzado de señales: descomposición modal empírica (EMD), transformada de Fourier (FFT) y transformada de Hilbert-Huang (HHT), las cuales proveen una adecuada resolución temporal y frecuencial para el análisis del EEG. Además aplica lógica difusa y criterios morfológicos y de duración para emular el procedimiento que realiza el experto en sueño durante la inspección visual de patrones HS.

El detector de HS puede ser descrito como un sistema de análisis modular en cascada de 4 módulos, en que se va refinando la detección y precisión del sistema a medida que se avanza en los módulos. El Módulo 1 realiza un estudio del polisomnograma para determinar zonas de análisis compatibles con la presencia de HS en las cuales centrar la detección de candidatos HS. El Módulo 2 utiliza la EMD, la FFT, la HHT y criterios difusos y expertos sobre las zonas del EEG de análisis definidas por el Módulo 1 para la generación de candidatos HS de primera pasada (HSc1). El Módulo 3 es una etapa de eliminación de candidatos basado en características estadísticas de los HSc1: amplitud, frecuencia, simetría y duración; generando los candidatos HS de segunda pasada (HSc2). El Módulo 4 refina el análisis utilizando criterios de duración y de entorno, generando la salida final del sistema, que es la posición inicial y final de cada HS identificado a lo largo del registro EEG.

Se construyó una base de datos con 56 registros polisomnográficos de sueño nocturno de niños para la implementación, ajuste, selección y prueba del sistema. La base de datos fue dividida en los conjuntos de entrenamiento: 27 registros, 216 hrs duración y 48.669 HS marcados, validación: 10 registros, 80 hrs duración y 22.443 HS marcados y prueba: 19 registros, 152 hrs duración y 40.412 HS marcados. Los eventos HS fueron marcados por expertos en sueño mediante inspección visual, y estas marcas fueron utilizadas como ground truth para evaluar el desempeño del sistema.

Los resultados para el conjunto de prueba en los registros completos de sueño nocturno muestran un 88,2% de sensibilidad, 89,7% de especificidad y una tasa de FP de 11,9%. Considerando sólo los segmentos de SQ 2 en el conjunto de prueba, los resultados mejoran, mostrando un 92,2% de sensibilidad, 90,1% de especificidad y una tasa de FP de 8,9%. En general, el sistema desarrollado presenta resultados muy buenos, los que son comparables con los mejores resultados mostrados en la literatura. Esto es especialmente cierto en los segmentos de SQ 2 donde se obtuvieron los mejores resultados en todos los indicadores estudiados. Además, el sistema no requiere de la generación previa del hipnograma por parte del experto en sueño evitando esta tarea que consume mucho tiempo y requiere de un gran esfuerzo.

El sistema implementado se encuentra entre los de mejor rendimiento y es el sistema aplicado sobre la base de datos marcada más grande utilizada en detección de HS en niños hasta la fecha. Por otro lado, el algoritmo es parte integral del sistema Sleep-Analyzer desarrollado como una herramienta de apoyo al trabajo de investigación de los especialistas en sueño.