Clasificación automatizada de la etapa de sueño utilizando LSTM optimizado para PSO en secuencias de EEG CAP

Área de la Ciencia:

• Neurociencia computacional
• Inteligencia artificial en la medicina

Sus antecedentes:

• La clasificación de la etapa automática del sueño y el patrón alternativo cíclico (CAP) del EEG es un desafío debido a la corta duración de los eventos y el desequilibrio de clase.
• Los métodos existentes luchan con la complejidad del análisis de la microestructura del sueño.

Objetivo del estudio:

• Desarrollar un sistema de aprendizaje profundo específico del dominio para una clasificación precisa de las etapas del sueño y los subtipos CAP basados en EEG.
• Mejorar el rendimiento y la interpretabilidad del modelo mediante técnicas de optimización híbrida.

Principales métodos:

• Implementación de una red de memoria larga a corto plazo (LSTM).
• Optimización mediante un método híbrido de ajuste de hiperparámetros de optimización de enjambres de partículas (PSO-Hyperband).
• Aplicación de técnicas de interpretabilidad basadas en SHAP para el análisis de características.

Principales resultados:

• Se logró una precisión del 97% para la fase REM y del 96% para la fase S0 en la base de datos del sueño CAP.
• Se obtienen puntuaciones de ROC AUC superiores a 0,92 para los subtipos CAP desafiantes (A1-A3).
• Se ha demostrado una mejora de la transparencia del modelo mediante la identificación de las principales características espectrales y morfológicas del EEG.

Conclusiones:

• El marco propuesto trata eficazmente el desequilibrio de clases y mejora la discriminación entre subtipos similares de la PAC.
• Los métodos de optimización híbridos mejoran el rendimiento, la generalización y la interpretabilidad de los modelos de aprendizaje profundo para el análisis de la microestructura del sueño.