Análisis morfológico utilizando Matching Pursuit para detección de Husos Sigma en registros polisomnográficos

Abstract

El sueño es un tema que ha tomado mucha fuerza en los últimos años sobre todo por su función neurofisiológica y reparadora. Dentro de los fenómenos fisiológicos más importantes del sueño se encuentra una actividad eléctrica registrada en el EEG (electroencefalograma) llamada Huso Sigma. Este patrón eléctrico se ha asociado por una parte a procesos involucrados en la consolidación de la memoria y por otra a desórdenes tales como retardo mental, hiperkinesia, desarrollo cognitivo, entre otros. Por lo tanto pesquisar y caracterizar este patrón es de suma importancia en el área de la medicina. El objetivo de esta tesis consiste en construir características morfológicas con el fin de caracterizar Husos Sigma y posteriormente detectarlos a través de un sistema de detección automático. Los Husos Sigmas corresponden a trenes de ondas distinguibles de la actividad de fondo del EEG, principalmente notorios en las derivaciones centrales, que comienzan con una baja amplitud, llegan a un máximo y luego decaen, teniendo duraciones típicas entre 0,5 a 2 [s].

El problema de detección consiste en lograr separar entre Husos Sigmas, correspondientes a trozos de señales marcadas por expertos que a su juicio consideran que son Husos Sigmas, de otras marcas hechas por un pre-detector y que no corresponden a Husos Sigmas. Para resolver el problema propuesto se propone un esquema: Descomposición Modal Empírica (EMD por Empirical Mode Decomposition en inglés) - detector de zonas - Matching Pursuit (MP). La EMD permite aislar la componente fusiforme que se busca caracterizar mediante MP en las zonas detectadas por el detector de zonas. El algoritmo MP se encuentra equipado con un diccionario de wavelets Morlet, cuya función es describir de manera sucinta cuando se trata de HS y de manera más compleja cuando se trata de no-HS. La creación del diccionario se hace en base a características extraídas del detector de zonas aplicado previamente. Luego de aplicar el método propuesto se extraen características basadas en el comportamiento morfológico de la componente seleccionada. Tras generar estas características se entrena una Máquina de Soporte Vectorial (SVM por Support Vector Machine en inglés) empleando un kernel Gaussiano. Los SVM se calibran para cada experimento realizado. El funcionamiento del sistema, considerando un largo mínimo del detector de zonas de 0,3 [s], es revisado en el punto de operación TVP=80% y FPR=30%. TVP significa tasa de verdaderos positivos y FPR tasa de falsos positivos. De este análisis se concluye que la aproximación morfológica es buena, sin embargo el método opera de manera similar en varios HS y no-HS. Realizando un análisis entre las características basado en información mutua se concluye que gran parte de la información se encuentra contenida en 3 características; sin embargo el desempeño de ocupar estas tres características en algunos puntos de operación se diferencia bastante con respecto al desempeño de un sistema que emplea todas las características creadas. Finalmente se sugieren nuevos pasos a seguir con el fin de mejorar el sistema propuesto.