Procesamiento de señales relacionadas con patologías del sueño

Abstract

La apnea obstructiva del sueño (SAOS) es uno de los trastornos del sueño más comunes y su diagnóstico estándar mediante polisomnografía (PSG) es costoso y limitado. Esto ha impulsado el desarrollo de métodos alternativos de cribado que permitan evaluar la prevalencia de estas patologías y seleccionar los casos que requieren PSG. Una técnica prometedora es la oximetría de pulso, que mide la frecuencia cardíaca y la saturación de oxígeno, ofreciendo un método accesible y de bajo costo para identificar alteraciones en el sueño con mínima interferencia. Esta tesis se enfoca en desarrollar algoritmos para estimar el tiempo total de sueño (TTS) a partir de la señal del oxímetro, superando una limitación común en métodos de cribado. El primer aporte es un algoritmo de clasificación entre estados de sueño y vigilia, usando características extraídas de la frecuencia cardíaca y clasificadores de soporte vectorial y bosques aleatorios. Luego, se desarrolló un método de clasificación secuencial usando redes neuronales recurrentes (GRU), lo que permitió una clasificación más precisa al considerar el contexto temporal. Finalmente, se implementó un modelo basado en atención, usando redes convolucionales temporales (TCN) y transformers, que optimiza la eficiencia de entrenamiento sin perder precisión.Los algoritmos propuestos logran una estimación precisa del TTS y la clasificación de fases del sueño, ofreciendo una herramienta potencialmente útil para el cribado de SAOS. Los resultados sugieren que integrar el TTS estimado en el cálculo de eventos respiratorios mejora ligeramente el diagnóstico de SAOS, alentando investigaciones futuras en este enfoque.

Obstructive sleep apnea (OSA) is one of the most prevalent sleep disorders, and its standard diagnostic procedure, polysomnography (PSG), is costly and limited in accessibility, leading to underdiagnosis. This has driven the development of alternative screening methods that assess the prevalence of sleep disorders and identify cases that require PSG. Pulse oximetry—a promising, accessible, and low-cost technique—measures heart rate and oxygen saturation with minimal interference in the patient’s sleep, making it particularly useful for sleep studies. This thesis focuses on developing algorithms to estimate total sleep time (TST) from oximeter data, addressing a common limitation in current screening methods. The first contribution is an algorithm for classifying sleep and wake states using features extracted from heart rate data and classifiers like support vector machines and random forests. Subsequently, a sequential classification method was developed using gated recurrent neural networks (GRU), enabling a more accurate classification by incorporating temporal context. Finally, an attention-based model using temporal convolutional networks (TCN) and transformers was implemented, improving training efficiency without losing accuracy. The proposed algorithms achieve precise TST estimates and sleep stage classification, offering a potentially valuable tool for OSA screening. Preliminary results suggest that incorporating TST estimates in calculating respiratory event frequency slightly improves OSA diagnosis accuracy, encouraging further research in this approach.