Detector no-supervisado de husos de sueño

Abstract

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.