RT info:eu-repo/semantics/masterThesis
T1 Ayuda al diagnóstico de la apnea obstructiva del sueño infantil usando técnicas de análisis automático de señales cardiorrespiratorias basadas en Deep Learning
A1 Martínez de Abajo, Alejandro
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 Inteligencia Artificial
K1 Apnea Obstructiva del Sueño
K1 Pediatría
AB El sueño constituye un proceso biológico fundamental para el mantenimiento de la salud, aldesempeñar un papel clave en funciones cognitivas e inmunológicas. Un descanso adecuado resultaespecialmente importante durante la infancia, etapa en la que el cuerpo y el cerebro se encuentran en plenodesarrollo. Alteraciones en el sueño, como los microdespertares o ciertos trastornos, pueden implicarriesgos significativos para la salud. Entre ellos, destaca la apnea obstructiva del sueño, un problemarelevante especialmente en edades tempranas.El diagnóstico de la apnea obstructiva del sueño se realiza habitualmente mediante un estudio delsueño nocturno en laboratorio a través de la polisomnografía, una prueba precisa pero costosa en términosde tiempo y recursos. Por ello, la investigación científica ha centrado esfuerzos en la búsqueda de métodosalternativos más accesibles. Entre estas alternativas, cobran relevancia los enfoques basados en técnicasde inteligencia artificial, en particular el aprendizaje profundo, que permiten estimar de forma precisa elíndice de apneas e hipopneas a partir de señales fisiológicas.Este trabajo se centra en evaluar la viabilidad del uso conjunto de tres señales fisiológicas: saturaciónde oxígeno en sangre (SpO2), flujo aéreo (FA) y variabilidad de la frecuencia cardiaca (HRV), extraídasde la base de datos pública “Childhood Adenotonsillectomy Trial” (CHAT). Estas señales fueronprocesadas mediante un modelo de aprendizaje profundo basado en redes neuronales convolucionales(CNN). Para ello, los registros se segmentaron en intervalos de 20 minutos, introduciendo las señalesindividualmente, por pares y en conjunto, con el objetivo de estimar el número de eventos respiratoriospor registro. Posteriormente, se aplicó una regresión Huber para estimar el índice de apneas e hipopneasy clasificar a los pacientes según la gravedad del trastorno.Se desarrolló un modelo para cada combinación posible de señales, siendo la combinación de SpO2y HRV la que ofreció los mejores resultados. Las métricas obtenidas para esta combinación fueron:sensibilidad del 79.50%, especificidad del 83.58% y exactitud del 80.39% para un umbral de 1 e/h;82.42%, 98.14% y 93.46% para 5 e/h, respectivamente; y 69.05%, 97.73% y 93.79% para 10 e/h,respectivamente.
YR 2025
FD 2025
LK https://uvadoc.uva.es/handle/10324/79705
UL https://uvadoc.uva.es/handle/10324/79705
LA spa
NO Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
DS UVaDOC
RD 12-ene-2026