Algoritmos avanzados para la detección del síndrome de apnea-hipopnea obstructiva del sueño

Abstract

Obstructive sleep apnea-hypopnea syndrome is one of the most common sleep disorders in the general population. It is estimated that this condition affects between 3% and 5% of the adult population worldwide and increases with age. Abnormal respiratory events occur as a consequence of an anatomical-functional alteration of the upper airway producing its narrowing (hypopnea) or blockage (apnea). The severity of the syndrome is quantified by the apnea-hypopnea index, which represents the rate of events per hour of sleep. This thesis addresses the design, development, implementation and evaluation of three methods to support the diagnosis of the pathology by automatically recognizing apnea and hypopnea events using only blood oxygen saturation signals. In a first stage, two methods for feature selection called MDAS and MDCS based on sparse representations of signals in terms of discrete dictionaries are presented . Simultaneously, a new binary discriminative measure denoted by DCAF, which is able to efficiently quantify the degree of discrimination of atoms in a given dictionary, is introduced. Results show that MDCS significantly outperforms the other three state of the art methods. In addition, a new iterative method called DAS-KSVD for the learning of structured dictionaries in the context of multi-class classification problems obtaining promising results is presented.

El síndrome de apnea-hipopnea obstructiva del sueño es uno de los trastornos del sueño más comunes en la población general. Se estima que esta patología afecta entre el 3% y 5% de la población adulta en todo el mundo y aumenta con la edad. Los eventos respiratorios anómalos ocurren como consecuencia de una alteración anatómico-funcional de la vía aérea superior produciendo su estrechamiento (hipopnea) o su bloqueo (apnea). La severidad del síndrome se cuantifica mediante el índice de apnea-hipopnea, el cual representa la tasa de eventos por hora de sueño. Esta tesis aborda el diseño, desarrollo, implementación y evaluación de tres métodos que sirvan como apoyo al diagnóstico de la patología mediante el reconocimiento automático de los eventos de apnea y de hipopnea usando solamente señales de saturación de oxígeno en sangre. En una primer etapa, se presentan dos métodos de selección de características llamados MDAS y MDCS basados en representaciones ralas de señales en términos de diccionarios discretos. En simultáneo, se introdujo una nueva medida de discriminabilidad binaria denotada por DCAF, la cual es capaz de cuantificar eficientemente el grado de discriminabilidad de los átomos en un diccionario dado. Los resultados muestran que MDCS supera significativamente a otros tres métodos del estado de arte. Además, se presenta un nuevo método iterativo llamado DAS-KSVD para el aprendizaje de diccionarios estructurados en el contexto de problemas de clasificación multi-clase logrando obtener resultados prometedores.