Clasificación de Apnea del Sueño Basada en Aprendizaje Profundo con Modelos Híbridos 1D-CNN-LSTM y 1D-CNN-GRU

Área de la Ciencia:

• Ingeniería Biomédica
• Inteligencia Artificial en la Atención Médica
• Cardiología

Sus antecedentes:

• La apnea del sueño es un trastorno del sueño prevalente relacionado con graves problemas de salud como enfermedades cardiovasculares.
• El diagnóstico preciso y temprano de la apnea del sueño es crucial para un manejo eficaz y la prevención de riesgos.

Objetivo del estudio:

• Proponer y evaluar dos arquitecturas híbridas de aprendizaje profundo, 1D-CNN-LSTM y 1D-CNN-GRU, para la clasificación de apnea del sueño.
• Utilizar señales de electrocardiograma (ECG), específicamente intervalos R-R y amplitudes de onda R, para la detección de apnea del sueño.

Principales métodos:

• Desarrollo de dos modelos híbridos de aprendizaje profundo: 1D-CNN-LSTM y 1D-CNN-GRU.
• Empleo de 1D-CNN para la extracción de características espaciales y LSTM/GRU para capturar dependencias temporales a partir de datos de ECG.
• Utilización de validación cruzada k-fold para una evaluación rigurosa del rendimiento en la base de datos PhysioNet Apnea-ECG.

Principales resultados:

• Ambos modelos 1D-CNN-LSTM y 1D-CNN-GRU lograron alta precisión en la clasificación de apnea del sueño.
• 1D-CNN-LSTM: 96,49% de precisión, 94,68% de sensibilidad, 98,33% de especificidad, 0,96 de puntuación F1.
• 1D-CNN-GRU: 96,88% de precisión, 96,42% de sensibilidad, 97,35% de especificidad, 0,96 de puntuación F1, mostrando un rendimiento general marginalmente mejor.

Conclusiones:

• Los modelos híbridos de aprendizaje profundo, específicamente 1D-CNN-GRU, son altamente efectivos para clasificar la apnea del sueño utilizando señales de ECG.
• Estos modelos muestran un potencial significativo para el desarrollo de sistemas automatizados de detección de apnea del sueño en tiempo real.
• Los hallazgos sugieren mejores resultados clínicos a través de un diagnóstico y monitoreo mejorados de la apnea del sueño.