Los husos de sueño (HS) son eventos con frecuencias entre 11 y 16 Hz, observables en registros electroencefalográficos durante la etapa N2 del sueño no-REM. Estos patrones están asociados a procesos de consolidación de la memoria y aprendizaje, y su alteración puede relacionarse con trastornos del sueño y neuropsiquiátricos.
En esta tesis se propone un detector no-supervisado de HS basado en aprendizaje de diccionario, denominado Unsupervised Sleep Spindle Detector (USSD). Se desarrolla un método de umbral adaptativo no-supervisado, fundamentado en que la distribución de las longitudes de los HS sigue una distribución de Poisson, lo que permite adaptarse a distintos conjuntos de EEG en forma automática.
USSD obtuvo F1-score de 0.72 ± 0.04 y 0.72 ± 0.03 en las bases MASS-SS2 e INTA-UCH, respectivamente, superando a los modelos no-supervisados A7 y LUNA. Aplicando un ajuste fino con el 20 % de datos etiquetados, el desempeño mejoro a 0.78 ± 0.06 y 0.75 ± 0.05, respectivamente.
Los HS detectados por USSD en la base de datos no-etiquetada CAP se usaron para pre-entrenar un modelo supervisado de aprendizaje profundo, y aplicando un ajuste fino con el 20% de la base de datos MODA se alcanzó un F1-score de 0.81 ± 0.02.
es_ES
Patrocinador
dc.description.sponsorship
Este trabajo ha sido parcialmente financiado por : ANID/ Doctorado Becas
Chile/2018—21181277, FCFM/Becas EPEC 2022, Instituto Milenio en Ingenier´ıa e
Inteligencia Artificial para la Salud ICN2021-004, Basal Funding for Scientific and
Technological Center of Excellence, IMPACT #FB 210024 and FONDECYT 1220829,
ANID/Programa de Investigación Asociativa (PIA) AFB230001 y ANID/FONDECYT
1231658.
es_ES
Lenguage
dc.language.iso
es
es_ES
Publisher
dc.publisher
Universidad de Chile
es_ES
Type of license
dc.rights
Attribution-NonCommercial-NoDerivs 3.0 United States