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

Abstract

La Apnea Obstructiva del Sueño (AOS) infantil es un trastorno muy prevalente a nivel mundial (1-5% de la población), que tiene graves consecuencias en la salud y afecta el desarrollo 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. Estos spindles 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 la señal de electroencelafograma (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 y la variabilidad inter-observador en la labor de detección de dichas oscilaciones en las señales EEG. El objetivo de este Trabajo Fin de Máster ha sido evaluar la utilidad de algoritmos basados en técnicas de deep learning para detectar spindles del sueño en señales EEG de niños de entre 6 y 9 años con sospecha de AOS. La mayoría de los estudios científicos publicados hasta la fecha actual sobre la detección de spindles se ha centrado principalmente en pacientes adultos, lo que, junto con las diferencias de la AOS en sujetos adultos provoca que los modelos de detección de spindles no sean fácilmente generalizables a la población infantil.

Pediatric Obstructive Sleep Apnea Syndrome (OSA) in children is a high prevalent global disorder (affecting 1-5% of the population), adversely impacting the health and development of affected children. Recent technological advances have revealed that small oscillations, primarily occurring during the N2 and N3 sleep stages within the 11-16 Hz frequency range, known as sleep spindles. Sleep spindles are closely related to the cognitive process of both the general population and, particularly, children. This discovery has prompted research focused on developing automated algorithms for sleep spindle detection using electroencephalogram (EEG) signals, enabling the examination of potential disorders based on spindle number, density, and specific characteristics. Furthermore, these new techniques hold the potential to alleviate the workload and inter-observer variability associated within the task of detecting these oscillations with EEG recordings. The aim of this Master’s Thesis was to evaluate the usefulness of deep-learning algorithms for detecting sleep spindles in EEG signals of children between 6 and 9 years old with suspected OSA as a continuation of the previous Bachelor’s degree thesis. Prior research spindle detection has mainly focused on adult patients, which, together with the differences in OSA characteristics between adults and children, leads to spindle detection models that are not easily generalizable to the pediatric population.