Clasificación de etapas del sueño a partir de ECG mediante aprendizaje automático: Evaluación del impacto de la...

Área de la Ciencia:

• Ingeniería Biomédica
• Neurociencia Computacional
• Procesamiento de Señales Médicas

Sus antecedentes:

• La clasificación precisa de las etapas del sueño es vital para diagnosticar trastornos del sueño como el insomnio y la apnea del sueño.
• Los métodos actuales de puntuación manual consumen mucho tiempo y limitan la escalabilidad, especialmente en entornos con recursos limitados.
• La automatización de la clasificación de las etapas del sueño mediante el aprendizaje automático puede mejorar la eficiencia del diagnóstico y reducir las cargas sanitarias.

Objetivo del estudio:

• Desarrollar y evaluar un sistema simplificado de clasificación de etapas del sueño utilizando únicamente señales de electrocardiograma (ECG).
• Evaluar la viabilidad de utilizar la variabilidad de la frecuencia cardíaca (VFC) y los descriptores del diagrama de Poincaré para la predicción de etapas del sueño.
• Demostrar una solución rentable y escalable para la monitorización del sueño, especialmente en entornos de bajos recursos.

Principales métodos:

• Se extrajeron características de variabilidad de la frecuencia cardíaca (VFC) y del diagrama de Poincaré de las señales de ECG.
• Se entrenaron modelos de aprendizaje automático (Redes Neuronales, KNN, XGBoost, Random Forest) para la clasificación de cinco etapas del sueño.
• Se validó el enfoque en dos conjuntos de datos públicos (Bases de datos de polisomnografía Haaglanden Medisch Centrum y MIT-BIH).

Principales resultados:

• La mayor precisión de clasificación lograda fue del 67% utilizando grabaciones de ECG de larga duración.
• Los modelos entrenados con segmentos de ECG más largos superaron a los entrenados con segmentos más cortos en un 12%.
• El estudio destaca el impacto significativo de la duración de la señal en el rendimiento de la clasificación.

Conclusiones:

• La clasificación de las etapas del sueño es factible utilizando únicamente señales de ECG, lo que ofrece una alternativa más sencilla y accesible a los métodos multiseñal.
• Los sistemas basados únicamente en ECG demuestran potencial para soluciones de monitorización del sueño portátiles, de bajo costo y escalables.
• Los hallazgos respaldan el desarrollo de herramientas de detección de trastornos del sueño más accesibles para entornos de bajos recursos.