RT info:eu-repo/semantics/bachelorThesis
T1 Aplicación de técnicas de deep learning a señales de pulsioximetría para la detección automática de las fases del sueño
A1 Sirgo Rodríguez, Daniel
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 Apnea obstructiva del sueño (AOS)
K1 Deep learning
K1 Fases del sueño
AB Las enfermedades del sueño en edad infantil son patologías muy relevantes en la sociedad actual debido a las consecuencias negativas que tienen para la salud y el desarrollo de los niños. Por tanto, es necesario un adecuado y objetivo diagnóstico y seguimiento de ellas. Para ello se vuelve imprescindible una buena detección de las fases del sueño.En este trabajo fin de grado (TFG) se ha profundizado en la detección automática de las fases del sueño mediante técnicas de deep learning. Concretamente, se han usado redes de deep learning de dos tipos diferentes, redes neuronales convolucionales (CNNs) y CNNs combinadas con redes neuronales recurrentes (RNNs).Como novedad en este TFG respecto a estudios previos se ha trabajado con señales de pulsioximetría, en lugar de señales más comunes como pueden ser el electroencefalograma (EEG) y el electrocardiograma (ECG). La adquisición del EEG y el ECG requiere de métodos costosos e intrusivos, y aunque consiguen buenos resultados, no resulta viable su implementación en entornos no supervisados, como puede ser el domicilio de los niños. En cambio, las señales de pulsioximetría (fotopletismografía: PPG, frecuencia de pulso: PR y saturación de oxígeno en sangre: SpO2) son fáciles de obtener mediante métodos mínimamente invasivos y de bajo coste en el domicilio de los niños. Por ello, el objetivo principal de este TFG es evaluar la utilidad de métodos de deep learning aplicados sobre señales de pulsioximetría para la detección automática de fases del sueño en niños con apnea obstructiva del sueño (AOS).Para conseguir este objetivo se ha utilizado una base de datos compuesta por señales de pulsioximetría de 429 niños con AOS. Estas señales fueron preprocesadas por separado para realizar una correcta normalización y homogeneización. Posteriormente se ha realizado una revisión del estado del arte con estudios similares para una orientación de la metodología a aplicar. Se entrenaron dos arquitecturas de deep learning utilizando las señales de pulsioximetría para detectar las fases del sueño en cada época de 30 segundos de los registros del sueño: una red CNN y una red compuesta por una CNN combinada con una RNN (CNN+RNN). Los hiperparámetros de estas arquitecturas fueron optimizados para poder conseguir los mayores niveles de precisión posible.Como resultados a destacar se ha obtenido una precisión de 5 clases del 68,09% y una Kappa de Cohen de 0,5778 con la arquitectura CNN+RNN entrenada con las señales de PR y SpO2 combinadas, así como una precisión de 68,79% y un Kappa de 0,5870 con el modelo CNN+RNN obtenido a partir de la señal de PPG por separado. Estos resultados han sido superiores a los obtenidos con las arquitecturas CNN. Los resultados finales del trabajo muestran que son significativamente inferiores a los conseguidos en otros estudios con señales de EEG, pero mejores que en otros estudios que han utilizado señales de pulsioximetría. Por tanto, son unos resultados aceptables que nos ofrecen esperanza para poder continuar investigando y profundizando en el estudio de estas señales.
YR 2022
FD 2022
LK https://uvadoc.uva.es/handle/10324/57454
UL https://uvadoc.uva.es/handle/10324/57454
LA spa
NO Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
DS UVaDOC
RD 30-jun-2024