Detección de Spindles del sueño mediante técnicas de inteligencia artificial

Abstract

El síndrome de la Apnea Obstructiva del Sueño (AOS) pediátrico es un trastorno muy prevalente (en torno al 25% de la población) en la sociedad occidental, causante de muchas enfermedades asociadas a un deterioro cognitivo que empeora la calidad de vida de los niños afectados. Gracias a los nuevos avances tecnológicos, se ha observado que pequeñas oscilaciones presentes fundamentalmente durante las fases N2 y N3 del sueño entre 11-16 Hz, conocidas como spindles del sueño, están íntimamente relacionadas con el proceso cognitivo de las personas en general y de los niños en particular. Este descubrimiento abre una nueva línea de investigación orientada a desarrollar algoritmos que detecten automáticamente spindles empleando para ello señales de electroencelafogramas (EEG), y que sirvan para estudiar posibles trastornos en función de su número, densidad y características concretas. Además, estas nuevas técnicas permiten disminuir la carga de trabajo de expertos en la labor de detección de dichas oscilaciones en las señales. En este Trabajo Fin de Grado se ha diseñado un algoritmo basado en técnicas de machine learning que detecta spindles del sueño en niños de entre 6 y 9 años con sospecha de AOS. La mayoría de estudios científicos publicados hasta la fecha actual sobre la detección de spindles se ha centrado principalmente en pacientes adultos, por lo que parece muy adecuaco elaborar clasificadores en niños.

Paediatric Obstruvtive Sleep Apnoea Syndrome (OSA) is a very prevalent disorder (around 25% of the population) in Western societies, causing many diseases associated with cognitive impairment that decreases the quality of life affected children. Thanks to new technological advances, it has been observed that small bursts present mainly during the N2 and N3 phases of sleep between 11-16 Hz, known as sleep spindles, are closely related to the cognitive process of people in general and children in particular. This discovery opens up a new line of research aimed at developing algorithms that automatically detect spindles using electroencephalogram (EEG) signals, and that can be used to study possible disorders according to their number, density and specific characteristics. In addition, these new techniques make it possible to reduce the workload of experts in detecting these oscillations in the signals. In this Final Degree Project, it has been designed an algorithm based on machine learning techniques that detects sleep spindles in children within 6 and 9 years old with suspected OSA. Most scientific studies published to date on the detection of spindles have focused mainly on adult patients, so it seems very appropriate to develop classifiers for children too.