Un modelo secuencial profundo para detectar eventos en el electroencefalograma del sueño

Abstract

Los husos de sueño y los complejos K son eventos transitorios del electroencefalograma del sueño. Han sido asociados con diversas funciones cognitivas y podrían diagnosticar enfermedades. Sin embargo, la detección manual limita su estudio porque es lenta y varía significativamente entre expertos, motivando enfoques automáticos. Los mejores detectores están basados en aprendizaje profundo, pero ninguno procesa secuencialmente el contexto ni se ha validado extensamente. Ambas brechas se abordan al proponer y validar el detector Recurrent Event Detector v2 (REDv2), considerando dos variantes según si su entrada es la señal en el tiempo o en un espacio tiempo-frecuencia. La evaluación en varias bases de datos anotadas muestra que REDv2 alcanza el estado del arte. Además, extensos experimentos en datos anotados, artificiales, y no anotados, muestran que REDv2 aprende a usar características conocidas, generaliza bien, requiere de poco ajuste para adaptarse a otros expertos, y genera detecciones que reproducen tendencias demográficas conocidas. El procesamiento secuencial mejora el desempeño, y REDv2 demuestra ser un detector confiable. La variante sobre un espacio tiempo-frecuencia no entrega mejor desempeño, aunque podría mejorar la interpretabilidad de mapas de relevancia en la entrada. El diseño se podría reutilizar para predecir otros tipos de eventos transitorios en el EEG.