RT info:eu-repo/semantics/masterThesis
T1 Desarrollo de modelos de Deep Learning con herramientas de Inteligencia Artificial Explicable (XAI) para el diagnóstico automático de la apnea del sueño a partir del movimiento respiratorio
A1 Fernández Poyatos, Marta
A2 Universidad de Valladolid. Escuela de Ingeniería Informática de Valladolid
K1 Apnea del sueño
K1 SHHS
K1 Señales de esfuerzo respiratorio
K1 Bispectrum
AB La apnea del sueño es una patología con una alta prevalencia en la poblaciónadulta, caracterizada por pausas respiratorias durante el sueño, que pueden sertotales (apnea) o parciales (hipopnea). Estas pausas tienen una duración mínima de10 segundos y, repetidas durante la noche, provocan una ventilación inadecuada y unsueño fragmentado y no reparador. Está relacionada con múltiples patologías de tipocardiovascular, somnolencia diurna, trastornos metabólicos, cáncer y enfermedadesneurodegenerativas. A pesar de estos riesgos, sigue siendo una enfermedad infradiagnosticada. La principal razón es la disponibilidad limitada de la prueba diagnósticaestándar: la polisomnografía nocturna. Esta prueba se realiza en unidades del sueñoespecializadas, ubicadas en hospitales, y se monitorizan hasta 32 señales fisiológicas,lo que la convierte en una prueba costosa y que consume mucho tiempo, provocandolargas listas de espera y retrasos en el diagnóstico y en el tratamiento. En busca desoluciones más accesibles y eficientes, en este trabajo se va a evaluar la capacidadde modelos de deep learning para estimar la severidad de la apnea del sueño delos sujetos de la base de datos del Sleep Heart Health Study (SHHS) empleandoúnicamente las señales de esfuerzo respiratorio torácico y abdominal, transformadasa una representación avanzada llamada bispectrum. Se ha tratado de estimar tanto elíndice de apnea-hipopnea para todos los eventos apneicos, como específicamente paralos eventos centrales, en los que es el cerebro el que no envía las señales adecuadasa los músculos que controlan la respiración. Para todos los eventos apneicos, se haobtenido un índice kappa de 0.169 y una tasa de acierto del 44.8 % en el conjuntode test. En el caso específico de los eventos apneicos centrales, el índice kappa fuede 0.297 y la tasa de acierto alcanzó el 97.8 %. Empleando técnicas de inteligenciaartificial explicable se ha podido comprobar que los modelos de redes convolucionalesno han logrado capturar eficazmente los patrones presentes en las señales de esfuerzorespiratorio transformadas a bispectrums. Esto sugiere que, a diferencia de otrasseñales cardiorrespiratorias, los eventos de apnea e hipopnea no provocan cambios,o estos son demasiado sutiles, en las interacciones no lineales, el acoplamiento o lagaussianidad de las señales de esfuerzo respiratorio torácico y abdominal. Comoresultado, las alteraciones producidas por estos eventos no se reflejan adecuadamenteen los bispectrum de estas señales.
YR 2024
FD 2024
LK https://uvadoc.uva.es/handle/10324/80117
UL https://uvadoc.uva.es/handle/10324/80117
LA spa
NO Departamento de Informática (Arquitectura y Tecnología de Computadores, Ciencias de la Computación e Inteligencia Artificial, Lenguajes y Sistemas Informáticos)
DS UVaDOC
RD 27-nov-2025