Clasificación Avanzada de Etapas del Sueño con SSNet

Dormir es una parte clave de la vida, ayudándonos a mantenernos saludables y sentirnos bien. Cuando alguien se siente cansado después de una buena noche de sueño o se siente agotado durante el día, podría ser que tenga un trastorno del sueño. Algunos problemas comunes de sueño incluyen la Respiración desordenada durante el sueño, movimientos periódicos de las piernas y el insomnio. Alrededor del 30% de los adultos en los Estados Unidos luchan con el insomnio. Además, más de 50 millones de personas en el país tienen trastornos del sueño, con alrededor de 25 millones diagnosticados con respiración desordenada durante el sueño. Un diagnóstico temprano de estos trastornos puede ayudar a prevenir problemas de salud graves como problemas cardíacos, problemas cognitivos, diabetes, accidentes cerebrovasculares y ataques cardíacos repetidos.

#Etapas del Sueño

El sueño se divide en cinco etapas según las pautas establecidas por la Academia Americana de Medicina del Sueño. Estas etapas incluyen el Despertar (W), tres etapas de Movimiento Ocular No Rápido (NREM) (N1, N2 y N3), y el sueño de Movimiento Ocular Rápido (REM). Generalmente, la gente pasa de W a NREM, y luego a REM. Cada etapa tiene diferentes patrones de actividad cerebral registrados por sensores conectados al cuerpo.

Las principales actividades cerebrales durante estas etapas son las ondas alfa, theta y delta. La etapa W muestra actividad alfa, N1 es un sueño ligero con baja actividad alfa y algo de actividad theta, N2 presenta husos de sueño únicos, N3 es un sueño profundo marcado por ondas delta, y REM se caracteriza por ondas theta rápidas y de bajo voltaje.

#Resumen de Señales Cerebrales

Para estudiar el sueño, se utiliza comúnmente la polisomnografía (PSG) en laboratorios de sueño. Este equipo reúne varias señales como el Electromiograma (EMG), electrocardiograma (ECG), Electroencefalograma (EEG) y electrooculograma (EOG). Los especialistas en sueño suelen analizar estas señales manualmente para clasificar las etapas del sueño. Sin embargo, el análisis manual tiene desventajas, incluyendo que lleva tiempo, es propenso a errores humanos y puede ser incómodo para los pacientes. Por lo tanto, automatizar la clasificación de las etapas del sueño podría mejorar significativamente el diagnóstico en entornos de atención médica.

#Papel de la Tecnología en el Análisis del Sueño

Los avances recientes en tecnología han llevado al desarrollo de modelos de aprendizaje automático diseñados para evaluar señales biomédicas como EEG, EOG y EMG. Por ejemplo, se han creado modelos para detectar condiciones como la enfermedad de Parkinson, rastrear movimientos oculares e identificar problemas de ritmo cardíaco. Algunos estudios también han intentado clasificar etapas del sueño utilizando aprendizaje automático.

Muchos de estos estudios se centraron en analizar señales de EEG para clasificar las etapas del sueño en tres categorías principales (W, NREM, REM) o cinco (W, N1, N2, N3, REM). Se han estudiado diversos métodos, incluyendo Decomposición en Modos Empíricos emparejados con clasificadores aleatorios submuestreados, que lograron niveles de precisión decentes. Otros métodos incluyeron el uso de filtros de onda, extracción de características estadísticas y máquinas de vector soporte.

#Aprendizaje Profundo para la Clasificación de Etapas del Sueño

En los últimos años, las técnicas de aprendizaje profundo, especialmente las que utilizan Redes Neuronales Convolucionales (CNN), han ganado popularidad para clasificar etapas del sueño. Las CNN son efectivas para diversas tareas, incluyendo clasificación y reconocimiento de imágenes. Los investigadores han propuesto diferentes modelos de CNN para clasificar etapas del sueño basándose en segmentos de señales EEG y EOG.

Por ejemplo, se desarrolló un modelo de CNN para extraer características sin métodos adicionales de ingeniería de características. Este modelo logró buenas tasas de precisión para clasificar diferentes etapas del sueño. Otros modelos combinaron CNN con mecanismos de atención u otros métodos de filtrado y reportaron diferentes niveles de rendimiento.

#Limitaciones de Estudios Existentes

A pesar de los avances, los estudios existentes tienen limitaciones. Muchos dependen de métodos de extracción de características complejos, que pueden ser lentos y difíciles. Además, la mayoría de estos modelos suelen usar solo un canal de señales de EEG, mientras que otras señales importantes como EMG y EOG, que brindan contexto valioso sobre la actividad muscular y los movimientos oculares, a menudo son pasadas por alto.

#Presentando el Nuevo Modelo: SleepStageNet (SSNet)

Este estudio presenta un modelo automático de aprendizaje profundo llamado SleepStageNet (SSNet) diseñado para clasificar etapas del sueño de manera más efectiva. SSNet utiliza una combinación de señales de EEG, EMG y EOG. El modelo consta de dos redes principales de aprendizaje profundo: una CNN para extraer características invariables en el tiempo y una red de Memoria a Largo Corto Plazo (LSTM) para capturar características temporales de la secuencia de señales.

La combinación de estas señales permite una comprensión más rica de las etapas del sueño que el uso de solo EEG. Los procesos implican extraer características a través de ambas redes y luego combinarlas para clasificar las etapas del sueño.

#Preparación de Datos

#Conjuntos de Datos Utilizados

Para este estudio, se utilizaron dos conjuntos de datos disponibles públicamente: el conjunto de datos ISRUC-Sleep y el conjunto de datos Sleep-EDF Expandido. Cada conjunto incluye varias horas de grabaciones de PSG que han sido segmentadas en intervalos de 30 segundos y etiquetadas según clasificaciones de etapas de sueño establecidas.

#Conjunto de Datos ISRUC-Sleep

El conjunto de datos ISRUC-Sleep incluye 116 grabaciones con datos recolectados de varios canales, incluyendo señales de EEG, EOG, EMG y ECG. Cada grabación dura aproximadamente ocho horas, y los expertos en sueño etiquetaron cada segmento de 30 segundos con una de las cinco etapas del sueño.

Este conjunto de datos se divide además en grupos según el estado de salud: personas con trastornos del sueño, aquellas que reciben tratamiento y sujetos sanos.

#Conjunto de Datos Sleep-EDF Expandido

El conjunto de datos Sleep-EDF Expandido consiste en 197 grabaciones e incluye dos canales de EEG, un canal de EOG y un canal de EMG de mentón. Los segmentos también son etiquetados por expertos en sueño, y el conjunto de datos se divide en grabaciones tomadas bajo diferentes condiciones.

#Seleccionando los Datos

En el estudio, se seleccionaron segmentos de ambos conjuntos de datos para evitar sobreajuste y mantener el equilibrio entre las etiquetas de clase durante la clasificación. Se utilizaron segmentos seleccionados aleatoriamente para entrenar, validar y probar el modelo. Los datos de señal en bruto fueron normalizados para asegurar consistencia.

#Arquitectura de SSNet

La arquitectura central de SSNet involucra dos redes de aprendizaje profundo. La primera red emplea un modelo CNN que extrae características estables de las señales en bruto. La segunda red utiliza LSTM para recopilar características a lo largo del tiempo de las secuencias de señales.

La CNN se enfoca en detectar patrones en los datos, mientras que LSTM considera el contexto de señales anteriores para ayudar con la clasificación. Después de que ambas redes extraen sus respectivas características, estas se combinan y se pasan a través de una capa completamente conectada para la clasificación final.

#Red CNN

La primera parte de SSNet involucra múltiples capas de 1D-CNN. Estas capas utilizan filtros pequeños para enfocarse en patrones específicos de la señal. Cada capa CNN va acompañada de capas de max-pooling para reducir el número de características y una capa de abandono para minimizar el sobreajuste. La salida de esta red produce un número determinado de características, que se combinarán con las características de la segunda red.

#Red LSTM

La segunda parte de SSNet consiste en capas LSTM que ayudan a capturar dependencias a largo plazo de las secuencias de señales de etapas del sueño. La red LSTM tiene componentes específicos que trabajan juntos para retener información importante a lo largo del tiempo. Esta capacidad permite que el modelo haga clasificaciones más informadas basadas en patrones detectados en segmentos anteriores.

#Evaluación del Desempeño del Modelo

Para evaluar el desempeño de SSNet, se utilizaron varias métricas, incluyendo precisión, sensibilidad, especificidad y el coeficiente Kappa. Estas métricas ayudan a determinar qué tan bien se desempeña el modelo en varias tareas, especialmente al tratar con conjuntos de datos desbalanceados que pueden complicar los resultados.

#Resultados

El SSNet propuesto fue probado utilizando tanto el conjunto de datos ISRUC-Sleep como el conjunto de datos Sleep-EDF Expandido. Los resultados muestran la efectividad del modelo al clasificar tres y cinco etapas del sueño.

#Clasificación de Tres Etapas del Sueño

Al clasificar tres etapas del sueño (W, NREM y REM) usando el conjunto de datos ISRUC-Sleep, el modelo logró resultados altos de precisión y Kappa. La precisión alcanzada fue impresionante, lo que indica que el modelo se desempeñó mejor que muchos métodos previos.

El conjunto de datos Sleep-EDF también arrojó resultados sólidos, confirmando la robustez de SSNet. La combinación de señales de EEG, EMG y EOG contribuyó significativamente a obtener estas métricas de alto rendimiento.

#Clasificación de Cinco Etapas del Sueño

Al clasificar cinco etapas del sueño (W, N1, N2, N3 y REM), el modelo mantuvo su fuerte desempeño. La precisión para esta clasificación también fue notablemente alta en ambos conjuntos de datos, demostrando la capacidad de SSNet para manejar tareas de clasificación más complejas con éxito.

#Comparación con Modelos Existentes

El desempeño de SSNet se comparó con varios modelos de última generación. En ambas clasificaciones de tres y cinco etapas del sueño, SSNet superó a muchos modelos existentes, logrando mayores precisiones y puntuaciones Kappa. Este desempeño exitoso resalta las ventajas de usar una combinación de señales y los métodos de aprendizaje profundo implementados en SSNet.

#Importancia de la Detección de REM

Detectar la etapa REM es crucial para diagnosticar trastornos del sueño. El desempeño del modelo en reconocer esta etapa también fue evaluado, mostrando tasas de precisión y recuperación prometedoras más altas que las reportadas en otros estudios. Esta habilidad sugiere que la combinación de señales es particularmente efectiva para identificar con precisión el sueño REM.

#Conclusión

Este estudio presenta SleepStageNet (SSNet), un modelo de aprendizaje profundo diseñado para clasificar etapas del sueño utilizando una combinación de señales de EEG, EMG y EOG. La arquitectura que consiste en redes CNN y LSTM captura efectivamente tanto características invariables en el tiempo como características temporales, lo que lleva a un alto rendimiento en la clasificación de etapas del sueño.

SSNet ofrece varias ventajas sobre los métodos tradicionales, incluyendo el proceso automatizado que elimina la carga del análisis manual y reduce la probabilidad de errores. Junto con métricas de rendimiento sólidas, el modelo demuestra su potencial aplicación para diagnosticar trastornos del sueño en entornos clínicos.

La investigación futura puede explorar la refinación del modelo y abordar el desafío específico de clasificar con precisión la etapa de sueño N1. En general, SSNet representa un avance significativo en la clasificación de etapas del sueño y resalta el valor de la tecnología avanzada en la atención médica.