Aplicación de técnicas de deep learning a señales de pulsioximetría para la detección automática de las fases del sueño

Abstract

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.

Sleep disorders in the pediatric population are pathologies very relevant in today's society due to their negative consequences for the health and development of the affected children. Therefore, a suitable and objective diagnosis and monitoring of them is necessary. In order to do so, it is essential to detect the sleep stages. In this final degree project (trabajo fin de grado, TFG), we have studied in depth the automatic detection of sleep stages using deep learning techniques. Specifically, two different deep learning networks have been used: convolutional neural networks (CNNs) and CNNs combined with recurrent neural networks (RNNs). As a novelty in this TFG with respect to previous studies, we have worked with pulse oximetry signals, instead of more common signals such as the electroencephalogram (EEG) and the electrocardiogram (ECG). EEG and ECG acquisition requires expensive and intrusive methods, and although they achieve good results, they are not feasible to implement in unsupervised environments, such as children's homes. In contrast, pulse oximetry signals (photoplethysmography: PPG, pulse rate: PR and blood oxygen saturation: SpO2) are easy to obtain by minimally invasive and low-cost methods in children's homes. Therefore, the main objective of this TFG is to evaluate the usefulness of deep learning methods applied on pulse oximetry signals for the automatic detection of sleep stages in children with obstructive sleep apnea (OSA). To achieve this goal, a database of pulse oximetry signals from 429 children with OSA was used. These signals were preprocessed separately for correct normalization and homogenization. Subsequently, a state-of-the-art review was performed to provide guidance for the methodology to be applied. Two deep learning architectures were trained using pulse oximetry signals to detect sleep stages in each 30 seconds segment of the sleep recordings: a CNN network and a network composed of a CNN combined with a RNN (CNN+RNN). The hyperparameters of these architectures were optimized to achieve the highest possible levels of accuracy. The CNN+RNN architecture fed with PR and SpO2 signals achieved a 5-class accuracy of 68.09% and a Cohen's Kappa of 0.5778, whereas the CNN+RNN model obtained using the separate PPG signal reached an accuracy of 68.79% and a Kappa of 0.5870. These results were superior to those obtained with the CNN architecture. The final results of the work show that they are significantly lower than those obtained in other studies using EEG signals, but better than the reported by previous studies using pulse oximetry signals. Thus, these results are acceptable results and give us hope for further research and further study of automatic sleep staging from pulse oximetry signals.