Nuevo método para clasificar las etapas del sueño usando dispositivos portátiles

Dormir es clave para nuestra salud y bienestar. Afecta cómo pensamos, sentimos y funcionamos durante el día. Un buen sueño ayuda a mantener nuestro ánimo estable, mejora la memoria y apoya nuestro sistema inmunológico. Por otro lado, dormir mal puede llevar a muchos problemas de salud, como problemas cardíacos, diabetes y aumento de peso. Con el aumento de trastornos del sueño, también hay preocupaciones sobre cómo estos problemas pueden afectar la economía de un país.

Para evaluar la calidad del sueño, los profesionales a menudo usan una prueba llamada Polisomnografía (PSG). Esta prueba rastrea diferentes señales del cuerpo mientras una persona duerme, como la actividad cardíaca, la respiración y las ondas cerebrales. Un especialista analiza las señales grabadas y etiqueta diferentes Etapas del Sueño en intervalos de 30 segundos. Sin embargo, la PSG puede ser cara, tomar tiempo, y no siempre brinda lecturas precisas debido a la incomodidad de los cables y electrodos.

#El papel de los Dispositivos Portátiles

Los dispositivos portátiles han cambiado cómo monitoreamos el sueño. Pueden rastrear varias señales corporales, como la Frecuencia Cardíaca y el movimiento, de manera más conveniente y a un costo menor. Usando estos dispositivos, podemos recopilar datos sobre los patrones de sueño sin la incomodidad de las pruebas tradicionales. Por ejemplo, algunos dispositivos utilizan fotopletismografía (PPG) para medir los cambios en el volumen de sangre, lo que puede ayudar a rastrear signos vitales como la frecuencia cardíaca y la presión arterial. También usan acelerómetros para estimar cuándo estamos despiertos o dormidos.

El sueño se puede dividir en dos etapas principales: movimiento ocular rápido (REM) y movimiento ocular no rápido (NREM). Dentro de estas etapas, el sueño se puede clasificar en cinco grupos según las pautas. Estas son vigilia, NREM etapa 1, NREM etapa 2, NREM etapa 3 y etapa REM. Saber en qué etapa está alguien es crucial para entender sus patrones de sueño y la calidad general del sueño.

#Desafíos de la clasificación precisa del sueño

Los dispositivos portátiles pueden proporcionar datos útiles, pero no pueden medir la actividad cerebral como lo hace la PSG. Sin embargo, aún pueden ofrecer información valiosa mediante la frecuencia cardíaca y otras señales. La investigación ha encontrado que la frecuencia cardíaca suele disminuir cuando una persona transita de la vigilia a las etapas de sueño NREM, y hay una ligera caída en la frecuencia cardíaca al moverse de NREM a REM.

Al examinar la frecuencia cardíaca y la variabilidad de la frecuencia cardíaca, junto con los niveles de actividad, podemos clasificar las etapas de sueño y vigilia de manera más precisa. Estudios anteriores han usado diferentes métodos para lograr esto, enfocándose a menudo en características extraídas de los datos de PPG y actividad.

#Método propuesto para la clasificación de sueño-vigilia

Este estudio presenta un método para clasificar las etapas de sueño y vigilia usando técnicas de Aprendizaje automático. El objetivo es mantener el modelo simple al reducir la cantidad de características requeridas para el análisis, haciéndolo adecuado para dispositivos portátiles con potencia computacional limitada. Nos enfocamos específicamente en el algoritmo XGBoost, junto con regresión logística y métodos de bosque aleatorio.

El proceso de clasificación incluye varios pasos: seleccionar los datos, prepararlos, dividirlos en ventanas de tiempo, extraer características clave y realizar la clasificación. El conjunto de datos utilizado para este estudio incluye datos de una población específica, incluyendo etapas de sueño registradas y señales correspondientes de PPG y actividad.

Nos enfocamos en sujetos que tienen datos de actividad y PPG. Las etapas de sueño se simplifican en dos categorías: sueño y vigilia. Los datos recopilados se procesan para eliminar cualquier ruido y prepararlos para el análisis.

#Análisis de datos y características

Durante el proceso de extracción de características, miramos de cerca la frecuencia cardíaca y la variabilidad de la frecuencia cardíaca, que están estrechamente vinculadas a la calidad del sueño. Calculamos la frecuencia cardíaca midiendo el tiempo entre latidos y obtenemos la variabilidad de la frecuencia cardíaca analizando las diferencias en el tiempo entre esos latidos.

Después de preparar los datos, los analizamos usando las tres técnicas de aprendizaje automático diferentes, adoptando un método que asegura resultados de prueba justos. Luego comparamos nuestros hallazgos con estudios similares para evaluar la precisión.

#Resultados del método de clasificación

Los resultados del estudio indican que nuestro método es efectivo para clasificar las etapas de sueño y vigilia. La técnica de XGBoost proporcionó los mejores resultados en comparación con los clasificadores de regresión logística y bosque aleatorio. Aunque la sensibilidad de nuestro método fue impresionante, nuestra especificidad fue algo más baja, lo que indica que nuestro modelo era mejor para identificar etapas de sueño que momentos de vigilia.

Al examinar los resultados más a fondo, encontramos que nuestro método funciona bien incluso usando menos características, lo cual es ideal para la tecnología portátil. La eficiencia y confiabilidad de nuestro enfoque sugieren que podría integrarse fácilmente en dispositivos de consumo.

#Consideraciones sobre edad y género

También examinamos cómo la edad y el género podrían afectar nuestros resultados. Nuestros hallazgos indicaron variaciones en el rendimiento entre diferentes grupos de edad y géneros. Por ejemplo, las personas mayores mostraron un descenso gradual en nuestras medidas de precisión. Además, las mujeres generalmente obtuvieron mejores resultados en la clasificación sueño-vigilia en comparación con los hombres. Sin embargo, se necesitaba más investigación para determinar si estos resultados se debían a diferencias fisiológicas u otros factores.

#Direcciones futuras

Aunque nuestro método muestra promesas, aún hay margen de mejora. La menor especificidad podría abordarse utilizando técnicas para manejar datos desbalanceados, asegurando que tanto las etapas de sueño como las de vigilia estén representadas con precisión en el conjunto de datos. Los futuros estudios también podrían explorar el rendimiento de varios modelos de aprendizaje automático y validar nuestro método contra conjuntos de datos externos.

En última instancia, validar los monitores de sueño portátiles puede proporcionar un enfoque más rentable y cómodo para diagnosticar trastornos del sueño en comparación con las pruebas tradicionales de PSG. Nuestros hallazgos apoyan la idea de que se puede desarrollar un método de clasificación simple pero efectivo utilizando características básicas como la frecuencia cardíaca y la actividad. Esto podría llevar a mejores soluciones de monitoreo para la salud del sueño y ayudar a las personas a mejorar su calidad de sueño sin necesidad de sistemas complejos.

En conclusión, dormir es vital para nuestra salud en general, y entender cómo rastrear con precisión las etapas del sueño puede ayudar a las personas a mejorar su calidad de sueño y su bienestar general. Usando tecnología accesible, podemos apoyar a una población más saludable y abordar las crecientes preocupaciones relacionadas con los trastornos del sueño.