Automatización de la identificación de tipos de trastornos del sueño utilizando un filtro de banda media triple y técnicas de aprendizaje automático en conjunto con señales de EEG
Autores: Sharma, Manish; Tiwari, Jainendra; Patel, Virendra; Acharya, U. Rajendra
Idioma: Inglés
Editor: MDPI
Año: 2021
Acceso abierto
Artículo científico
2021
Automatización de la identificación de tipos de trastornos del sueño utilizando un filtro de banda media triple y técnicas de aprendizaje automático en conjunto con señales de EEG
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Trastorno del sueño
Identificación automatizada
Señales de EEG
Insomnio
Narcolepsia
RBD
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 56
Citaciones: Sin citaciones
Un trastorno del sueño es una condición médica que afecta el patrón regular de sueño y la rutina de un individuo, afectando negativamente la salud del individuo. Los procedimientos tradicionales para identificar trastornos del sueño por parte de los clínicos involucran cuestionarios y polisomnografía (PSG), que son subjetivos, consumen tiempo e inconvenientes. Por lo tanto, se requiere una identificación automatizada de trastornos del sueño para superar estas limitaciones. En el estudio propuesto, hemos propuesto un método que utiliza señales de electroencefalograma (EEG) para la identificación automatizada de seis trastornos del sueño, a saber, insomnio, epilepsia nocturna del lóbulo frontal (NFLE), narcolepsia, trastorno del comportamiento del movimiento rápido del ojo (RBD), trastorno del movimiento periódico de las piernas (PLM) y trastorno respiratorio del sueño (SDB). Hasta donde sabemos, este es uno de los primeros estudios realizados para identificar trastornos del sueño utilizando señales de EEG empleando la base de datos de sueño de patrón cíclico alternante (CAP). Después de clasificar los episodios de EEG del sueño, creamos ocho subconjuntos de datos diferentes de episodios de EEG para desarrollar el modelo propuesto. Se utiliza un nuevo banco de filtros de banda media óptimo en tripletes (THFB) para obtener las subbandas de las señales de EEG. Extraemos parámetros de Hjorth de las subbandas de los episodios de EEG. Las características seleccionadas se alimentan a varios algoritmos de aprendizaje automático supervisado para la clasificación automatizada de trastornos del sueño. Nuestro sistema propuesto ha obtenido la mayor precisión del 99,2%, 98,2%, 96,2%, 98,3%, 98,8% y 98,8% para las clases de insomnio, narcolepsia, NFLE, PLM, RBD y SDB frente a sujetos sanos normales, respectivamente, aplicando un clasificador de árboles de impulso de conjunto. Como resultado, hemos alcanzado la mayor precisión del 91,3% para identificar el tipo de trastorno del sueño. El método propuesto es simple, rápido, eficiente y puede reducir los desafíos enfrentados por los profesionales médicos durante el diagnóstico de varios trastornos del sueño de manera precisa en menos tiempo en clínicas de sueño y hogares.
Descripción
Un trastorno del sueño es una condición médica que afecta el patrón regular de sueño y la rutina de un individuo, afectando negativamente la salud del individuo. Los procedimientos tradicionales para identificar trastornos del sueño por parte de los clínicos involucran cuestionarios y polisomnografía (PSG), que son subjetivos, consumen tiempo e inconvenientes. Por lo tanto, se requiere una identificación automatizada de trastornos del sueño para superar estas limitaciones. En el estudio propuesto, hemos propuesto un método que utiliza señales de electroencefalograma (EEG) para la identificación automatizada de seis trastornos del sueño, a saber, insomnio, epilepsia nocturna del lóbulo frontal (NFLE), narcolepsia, trastorno del comportamiento del movimiento rápido del ojo (RBD), trastorno del movimiento periódico de las piernas (PLM) y trastorno respiratorio del sueño (SDB). Hasta donde sabemos, este es uno de los primeros estudios realizados para identificar trastornos del sueño utilizando señales de EEG empleando la base de datos de sueño de patrón cíclico alternante (CAP). Después de clasificar los episodios de EEG del sueño, creamos ocho subconjuntos de datos diferentes de episodios de EEG para desarrollar el modelo propuesto. Se utiliza un nuevo banco de filtros de banda media óptimo en tripletes (THFB) para obtener las subbandas de las señales de EEG. Extraemos parámetros de Hjorth de las subbandas de los episodios de EEG. Las características seleccionadas se alimentan a varios algoritmos de aprendizaje automático supervisado para la clasificación automatizada de trastornos del sueño. Nuestro sistema propuesto ha obtenido la mayor precisión del 99,2%, 98,2%, 96,2%, 98,3%, 98,8% y 98,8% para las clases de insomnio, narcolepsia, NFLE, PLM, RBD y SDB frente a sujetos sanos normales, respectivamente, aplicando un clasificador de árboles de impulso de conjunto. Como resultado, hemos alcanzado la mayor precisión del 91,3% para identificar el tipo de trastorno del sueño. El método propuesto es simple, rápido, eficiente y puede reducir los desafíos enfrentados por los profesionales médicos durante el diagnóstico de varios trastornos del sueño de manera precisa en menos tiempo en clínicas de sueño y hogares.