Seleção e classificação automática de sinais de polissonografia para ferramenta de auxílio a diagnóstico de distúrbios de sono

Abstract

A análise sistemática de características fisiológicas específicas constitui a base para estudos avançados do sono e para a determinação de quais hábitos, distúrbios e patologias afetam negativamente o ciclo do sono. Para um melhor entendimento da qualidade do sono, se faz necessária uma análise acerca do comportamento de sinais polissonográficos nos diferentes estágios de sono, coletados a partir de um exame médico. Os sinais polissonográficos mais comuns incluem o Eletroencefalograma (EEG), Eletrocardiograma (ECG), Eletromiograma (EMG), Eletrooculograma (EOG) e o sinal de respiração. Estudos comprovam que o sinal de EEG apresenta características bem definidas em todos níveis de sono, sendo assim a principal variável polissonográfica. Em contrapartida, o processo de aquisição desse tipo de sinal requer uma mudança de contexto que pode afetar a qualidade de sono habitual do indivíduo em questão. Nesse sentido, esse trabalho propõe avaliar subconjuntos específicos de sinais, contendo ou não o EEG, na finalidade de alcançar resultados comparáveis ao padrão ouro de classificação automática de níveis de sono na restrição desse sinal. Foram utilizados dois tipos de técnicas de classificação nos testes realizados, sendo uma delas a Máquina de Vetores de Suporte (SVM, do inglês - Support Vector Machine), um classificador binário do tipo supervisionado que apresenta um bom desempenho na literatura quando se trata de um baixo número de exemplos de treinamento comparados ao número de características. A outra técnica usada foi o classificador do tipo Ensemble em duas variantes, o Adaboost e o Robustboost, ambas conhecidas como classificadores multiclasse, que fazem o uso de vários algoritmos de aprendizagem combinados entre si. Foram então definidos três subconjuntos de sinais que seriam utilizados nos três classificadores propostos, em dois cenários de classificação: discretização de 5 níveis de sono e 3 níveis de sono, totalizando 18 testes principais a serem realizados. Para isso, cada sinal passa por um algoritmo próprio de extração de características, onde são extraídos seus parâmetros mais relevantes para essa aplicação. Para validação, essa metodologia foi aplicada a 8 horas de sinais de polissonografia do participante SHHS1-200070 do banco de dados Sleep Heart and Health Study. Resultados preliminares gerados a partir da classificação entre 2 níveis de sono somente com o EEG e a SVM apresentaram taxas de acerto de 91.16% a 96.83% na classificação entre vigília e estágio 3 para um indivíduo. Já os resultados obtidos a partir de classificações feitas com o Ensemble Adaboost, somente com o EEG, atingiram uma ordem de 86% no cenário de classificação de 5 níveis de sono e 93% para o cenário de 3 níveis de sono, enquanto que a SVM produziu uma taxa de acerto de 50% em média para os casos analisados. Na utilização dos subconjuntos 2 e 3 de sinais, que excluem o EEG, o Ensemble Adaboost atingiu taxas de acerto da ordem de 83% na classificação de 5 níveis e 90% para 3 níveis, estabelecendo um padrão de queda de aproximadamente 3% de acerto na restrição desse sinal. Esses resultados sugerem que o sinal de EEG pode de fato ser desconsiderado na classificação de estágios de sono, desde que utilizados o algoritmo Adaboost e os sinais do subconjunto 3. Além disso, a SVM não apresentou resultados comparáveis ao Ensemble, o que contrasta com alguns resultados encontrados na literatura na área de Engenharia Biomédica. Isso sugere que esse classificador apresenta melhor desempenho para essa aplicação, ao custo de um maior esforço computacional. Na próxima etapa da pesquisa, os autores pretendem estender essa metodologia para o contexto de treinamento dos classificadores a partir de dados de múltiplos participantes para classificação de sinais de outros participantes. O objetivo é observar se o sistema de classificação pode ser pré-treinado para um novo participante ou se deve ser treinado individualmente para cada usuário.