Uso de la señal de actividad electrodérmica y aprendizaje automático para el diagnóstico del sueño

Área de la Ciencia:

• Ingeniería Biomédica
• Neurociencia Computacional
• Medicina del Sueño

Sus antecedentes:

• El uso de la señal de actividad electrodérmica (EDA) para el diagnóstico de la salud está creciendo, impulsado por el aprendizaje automático (ML) y los dispositivos portátiles.
• Los cambios en la EDA se correlacionan con aspectos del sueño como las etapas del sueño y la respiración durante el sueño, incluida la apnea obstructiva del sueño (AOS).

Objetivo del estudio:

• Desarrollar modelos de aprendizaje automático para detectar etapas del sueño y AOS utilizando señales de EDA.
• Integrar el conocimiento clínico de la EDA durante el sueño y la AOS con características estadísticas estándar y variables específicas de la EDA.

Principales métodos:

• Aprendizaje automático supervisado, específicamente el algoritmo extreme gradient boosting (XGBoost).
• Se utilizaron señales de EDA, incorporando conocimiento clínico y variables específicas de EDA junto con características estadísticas estándar.

Principales resultados:

• Se logró una puntuación F1 macro promedio del 57,5 % (cinco etapas del sueño) y del 66,6 % (cuatro etapas del sueño) para la detección de etapas del sueño.
• Se obtuvo una precisión del 83,7 % o del 78,4 % para la detección de apnea obstructiva del sueño (AOS), independientemente de la gravedad, basándose en la medida de clasificación.

Conclusiones:

• Los hallazgos respaldan el potencial de los dispositivos portátiles para la detección de señales de EDA en el diagnóstico de la salud del sueño.
• Sugiere un futuro en el que los estudios completos de polisomnografía (PSG) puedan ser complementados o reemplazados por la monitorización de EDA basada en dispositivos portátiles para la evaluación de la salud del sueño.