Detección automática de microdespertares en niños con apnea obstructiva del sueño mediante técnicas de deep learning

Abstract

La apnea obstructiva del sueño (AOS) infantil es una enfermedad caracterizada por pausas respiratorias y alteración del sueño que llega a afectar hasta el 5% de los niños y que tiene consecuencias negativas para su salud y desarrollo. A través de una polisomnografía noctura (PSG), se puede diagnosticar la AOS y medir su severidad. Sin embargo, la PSG es una prueba compleja, costosa y cuya posterior interpretación por un especialista conlleva mucho tiempo. Por ello, se buscan alternativas más rápidas y sencillas que permitan automatizar la interpretación de la PSG. El objetivo de este Trabajo Fin de Grado (TFG) ha sido evaluar la utilidad de técnicas de deep learning, en concreto redes neuronales convolucionales (CNN), aplicadas sobre la señal de un electroencefalograma (EEG) para la la detección automática de microdespertares (arousals) en niños con sospecha de AOS. Los arousals ayudan a analizar las fases de sueño de los niños y medir el grado de severidad de la AOS. Sin embargo, los estudios previos que han abordado la detección automática de arousals se han centrado únicamente en pacientes adultos, lo que, junto con las diferencias de la AOS en la población adulta provoca que los modelos de clasificación no sean fácilmente generalizables.

Pediatric obstructive sleep apnea (OSA) is a disease characterized by breathing pauses and sleep disturbance that affects up to 5% of children and has negative consequences for their health and development. Through an overnight polysomnography (PSG), OSA can be diagnosed and measure its severity. However, the PSG is a complex, expensive test that is time-consuming to be interpreted by a specialist. Therefore, faster and simpler alternatives are needed to automate the interpretation of the PSG. The aim of this Bachelor’s Thesis has been to evaluate the utility of deep learning techniques, specifically convolutional neural networks (CNN) applied on the signal of an electroencephalogram (EEG) for the automatic detection of arousals in children with suspected OSA. Arousals contribute to study the child’s sleep phases and measure the degree of severity of an OSA. However, previous studies that have addressed automatic detection of arousals have focused only on adult patients, which, together with the differences in OSA on adults, it makes the classification models not easily generalizables.