RT info:eu-repo/semantics/bachelorThesis
T1 Análisis de electroencefalogramas para la detección automática de las fases del sueño
A1 Calvo Merino, Eva
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 Fases del sueño
K1 Electroencefalograma
K1 Redes neuronales convolucionales
AB Las enfermedades del sueño son cada vez más comunes debido al estresante estilo de vida de la sociedad actual. Un paso fundamental en su estudio y diagnóstico es detectar correctamente las diferentes fases del sueño. Avances en áreas como el Deep learning han permitido desarrollar métodos que automatizan esta detección, presentando una alternativa a la clasificación mediante inspección visual realizada hasta la fecha.En este trabajo se ha indagado en el uso de redes neuronales convolucionales (CNN) como clasificadores de fases del sueño, usando para ello la señal de electroencefalograma (EEG). El comportamiento de esta señal difiere entre niños y adultos. Sin embargo, los estudios publicados hasta ahora se han centrado únicamente en pacientes adultos, lo que provoca que los modelos de clasificación no sean fácilmente generalizables.Conseguir un método de clasificación basado en CNN que permita una detección precisa de las fases del sueño en niños, y comprobar si se puede entrenar un modelo que alcance resultados óptimos al evaluar sujetos de diferentes edades, son los objetivos principales de este trabajo. Para ello, se han usado dos amplias bases de datos públicas procedentes de los estudios Sleep Heart Health Study (SHHS) y Childhood Adenotonsillectomy Trial (CHAT), que contienen 5793 registros de adultos y 453 registros de niños, respectivamente. El proceso de entrenamiento y optimización de la red CNN se ha probado modificando el número de capas y su parámetro de regularización, este último buscando asegurar que no haya sobreentrenamiento. Tras conseguir un modelo con alto rendimiento al clasificar la población adulta, se ha evaluado dicho modelo en los registros pediátricos. El mismo procedimiento se ha realizado de manera inversa, probando en la población adulta un modelo entrenado únicamente con niños. Además, se ha obtenido un modelo conjunto usando registros de ambas bases de datos en los grupos de entrenamiento/validación/test. Para homogeneizar las señales de las dos bases, se ha implementado re-muestreo a la misma frecuencia, re-referenciado a la media de los canales utilizados en cada caso, y estandarización para igualar los límites de amplitud.Los resultados muestran que los modelos entrenados con registros de una única base de datos clasifican con alta precisión siempre que se apliquen sobre sujetos en los mismos rangos de edad, consiguiéndose una precisión del 0.815 y un kappa de Cohen de 0.738 en el caso de sujetos adultos y precisión de 0.84 y kappa de 0.77 en el caso de niños, lo que es coherente con estudios previos. No obstante, al clasificar un grupo de edad diferente, estos valores disminuyen. Sin embargo, el modelo entrenado con registros de diferentes edades sí que consigue detectar de manera precisa registros de ambas bases, llegando a una precisión de 0.81 y a un kappa de 0.75 al evaluarlo en un grupo de test conjunto. Estos resultados sugieren la necesidad de incluir sujetos de diferentes edades en el entrenamiento para conseguir modelos más generalizables.
YR 2020
FD 2020
LK http://uvadoc.uva.es/handle/10324/42475
UL http://uvadoc.uva.es/handle/10324/42475
LA spa
DS UVaDOC
RD 24-nov-2024