Clasificación de las etapas del sueño basada en el aprendizaje profundo sin restricciones utilizando actividades...

Área de la Ciencia:

• Ingeniería biomédica
• Medicina del sueño
• Inteligencia artificial

Sus antecedentes:

• La clasificación precisa de las etapas del sueño es crucial para el diagnóstico de los trastornos del sueño.
• La polisomnografía tradicional (PSG) requiere muchos recursos y no es adecuada para un monitoreo generalizado en el hogar.
• Se necesitan métodos no invasivos que utilicen sensores discretos para el análisis escalable del sueño.

Objetivo del estudio:

• Evaluar la viabilidad del aprendizaje profundo para la clasificación sin restricciones de las etapas del sueño.
• Para utilizar los datos cardiorrespiratorios y de movimiento corporal de los sensores piezoeléctricos debajo del colchón.
• Evaluar el rendimiento de una red bidireccional de memoria larga a corto plazo (LSTM) para la estadificación del sueño.

Principales métodos:

• Adquisición simultánea de señales cardiorrespiratorias, variabilidad, acoplamiento y movimiento corporal a través de PSG y sensores debajo del colchón.
• Desarrollo y aplicación de una red LSTM bidireccional para predecir las cinco etapas del sueño.
• Prueba de cinco diferentes combinaciones de características de entrada para la optimización del modelo.

Principales resultados:

• El modelo de mejor rendimiento, utilizando seis parámetros, incluida la variabilidad cardiorrespiratoria, logró una precisión equilibrada de 0,70 ± 0,05.
• Las métricas de rendimiento incluyeron un κ de Cohen de 0.40 ± 0.12 y una puntuación F1 de 0.62 ± 0.08.
• Los análisis de regresión de Deming y Bland-Altman revelaron correlaciones significativas (r = 0,426-0,695) y un bajo sesgo entre las estimaciones del modelo y los parámetros del sueño determinados por el PSG.

Conclusiones:

• La clasificación de las etapas del sueño basada en el aprendizaje profundo utilizando sensores debajo del colchón es factible y efectiva.
• El enfoque propuesto demuestra el potencial para ampliar las capacidades de monitoreo del sueño en el hogar.
• Esta tecnología podría facilitar la detección y el tratamiento más accesibles y generalizados de los trastornos del sueño.