Detección de apnea del sueño a partir de la señal electrocardiográfica

Texto completo

(1)Universidad Central “Marta Abreu” de Las Villas Facultad de Ingeniería Eléctrica Centro de Estudio de Electrónica y Tecnologías de la Información. TRABAJO DE DIPLOMA Detección de apnea del sueño a partir de la señal electrocardiográfica.. Autor: Lisbel Hernández Herrera. Tutor: MSc. Roberto Díaz Amador. Santa Clara 2013 "Año 55 del triunfo de la Revolución".

(2) Universidad Central “Marta Abreu” de Las Villas Facultad de Ingeniería Eléctrica Centro de Estudio de Electrónica y Tecnologías de la Información. TRABAJO DE DIPLOMA Detección de apnea del sueño a partir de la señal electrocardiográfica.. Autor: Lisbel Hernández Herrera [email protected]. Tutor: MSc. Roberto Díaz Amador [email protected]. Santa Clara 2013 "Año 55 del triunfo de la Revolución".

(3) Hago constar que el presente trabajo de diploma fue realizado en la Universidad Central “Marta Abreu” de Las Villas como parte de la culminación de estudios de la especialidad de Ingeniería Biomédica, autorizando a que el mismo sea utilizado por la Institución, para los fines que estime conveniente, tanto de forma parcial como total y que además no podrá ser presentado en eventos, ni publicados sin autorización de la Universidad.. Firma del Autor Los abajo firmantes certificamos que el presente trabajo ha sido realizado según acuerdo de la dirección de nuestro centro y el mismo cumple con los requisitos que debe tener un trabajo de esta envergadura referido a la temática señalada.. Firma del Autor. Firma del Jefe de Departamento donde se defiende el trabajo. Firma del Responsable de Información Científico-Técnica.

(4) i. PENSAMIENTO. El progreso de la medicina nos depara el fin de aquella época liberal en la que el hombre aún podía morirse de lo que quería. Stanislaw Jerzy Lec (1909-1966).

(5) ii. DEDICATORIA. Dedicada a todos los que hicieron que pudiera cumplir en tiempo y forma esta importante tarea y de manera muy especial a mi mamá y toda mi familia..

(6) iii. AGRADECIMIENTOS. A mi familia en general por su preocupación y apoyo en el transcurso de mi realización como profesional. A mi novia por brindarme su cariño y ayudarme a cumplir mis sueños. A mis compañeros de estudios que han compartido conmigo a lo largo de cinco años en las buenas y malas brindándome su ayuda. A mi tutor, quien ha estado a mi lado sobre todo en los últimos momentos y que sin su ayuda no se hubiese podido concluir este trabajo. A mis profesores que han sabido estar a la altura que esperaba y me han transmitido sus conocimientos tanto teóricos como prácticos. A todos los que me han apoyado y me han acompañado en estos cinco años..

(7) iv. TAREA TÉCNICA.  Estudio de las características de la apnea del sueño y la relación que pueda existir entre episodios de apnea y la señal ECG.  Determinación de los parámetros de la señal ECG que puedan ser útiles para la clasificación automática de la apnea de sueño.  Estudio de las diferentes técnicas que se puedan emplear en la clasificación automática de la apnea del sueño.. Firma del Autor. Firma del Tutor.

(8) v. RESUMEN. La apnea obstructiva del sueño (interrupción intermitente de la respiración) es un problema común con consecuencias para la salud que van desde la somnolencia diurna excesiva a arritmias cardíacas graves. La apnea obstructiva del sueño se asocia con un mayor riesgo de hipertensión arterial, infarto de miocardio y accidente cerebrovascular, y con tasas de aumento de la mortalidad. Los métodos estándar para detectar y cuantificar la apnea del sueño se basan en el monitoreo de respiración, que a menudo perturba o interfiere con el sueño y es generalmente caro. Una serie de estudios durante los últimos años han hecho alusión a la posibilidad de detectar la apnea del sueño a partir de características del electrocardiograma. Estos enfoques son mínimamente invasivos, de bajo costo, y puede ser especialmente adecuado para la detección. Por lo tanto, ofrecen un reto a la comunidad de investigación biomédica: demostrar la eficacia de la señal ECG para la detección de la apnea con un amplio y bien caracterizado conjunto representativo de rasgos..

(9) vi. TABLA DE CONTENIDOS. PENSAMIENTO .....................................................................................................................i DEDICATORIA .................................................................................................................... ii AGRADECIMIENTOS ........................................................................................................ iii TAREA TÉCNICA ................................................................................................................iv RESUMEN ............................................................................................................................. v INTRODUCCIÓN .................................................................................................................. 1 Organización del informe ................................................................................................... 3 CAPÍTULO 1. 1.1. REVISIÓN BIBLIOGRÁFICA................................................................. 4. Generalidades sobre la apnea del sueño ................................................................... 4. 1.1.1. Fisiopatología.................................................................................................... 5. 1.1.2. Consecuencias clínicas ..................................................................................... 6. 1.2. La polisomnografía convencional nocturna (PSG) .................................................. 6. 1.3. Caracterización de la señal ECG .............................................................................. 8. 1.4. Parámetros utilizados en la medición de las variaciones de a frecuencia cardiaca. 10. 1.5. Relación entre la apnea y la señal electrocardiográfica ......................................... 11. CAPÍTULO 2.. MATERIALES Y MÉTODOS................................................................ 14. 2.1. Descripción de la base de datos ............................................................................. 14. 2.2. Preprocesamiento de la señal. ................................................................................ 15.

(10) vii 2.3. Extracción de rasgos .............................................................................................. 17. 2.3.1. Construcción de señales derivadas de la señal ECG....................................... 17. 2.3.2. Intervalos RR .................................................................................................. 17. 2.3.3. Área bajo la onda R ........................................................................................ 18. 2.3.4. Área en el intervalo QR .................................................................................. 18. 2.3.5. Rasgos espectrales .......................................................................................... 18. 2.3.6. Rasgos en el domino Wavelets ....................................................................... 19. 2.4. Clasificadores ......................................................................................................... 19. 2.4.1. Redes Neuronales Artificiales ........................................................................ 20. 2.4.2. Máquinas de Soporte Vectorial (SVM) .......................................................... 21. 2.4.3. Análisis del Discriminante Lineal (ADL) ....................................................... 22. 2.5. Estrategia de clasifcación. .................................................................................. 22. Conclusiones del capítulo ............................................................................................. 24 CAPÍTULO 3.. RESULTADOS Y DISCUSIÓN ............................................................. 25. 3.1. Medidas de calidad utilizadas. ............................................................................... 22. 3.2. Evaluación de los rasgos ........................................................................................ 25. 3.3. Evaluación de los clasificadores. ........................................................................... 26. 3.4. Evaluación de la clasificación final........................................................................ 27. 3.5. Conclusiones del capitulo ...................................................................................... 30. CONCLUSIONES Y RECOMENDACIONES ................................................................... 32 Conclusiones ..................................................................................................................... 32 Recomendaciones ............................................................................................................. 33 REFERENCIAS BIBLIOGRÁFICAS ................................................................................. 34.

(11) INTRODUCCIÓN. 1. INTRODUCCIÓN. La apnea del sueño es el más frecuente de los trastornos respiratorios que se producen durante el sueño. Es una condición seria, potencialmente mortal y mucho más frecuente de lo que se cree. Se presenta en ambos sexos y en todos los grupos de edades [1]. Es importante diagnosticar y tratar a tiempo esta enfermedad pues la hipersomnolencia que presentan los pacientes con el síndrome ocasionan accidentes de tránsito y laborales [2], por lo que es considerable el costo para la sociedad. En el individuo puede causar complicaciones cardiovasculares y apoplejía (embolia cerebral). El mecanismo fundamental causante del trastorno es el fallo de la dilatación tónica de los músculos faríngeos durante el sueño, aunque hay otros factores contribuyentes [3]. Los estudios clínicos de sueño cuestan caro porque requieren de noches de evaluación en laboratorios del sueño con sistemas y personal especializado. Debido a la escasez y la no existencia de laboratorios del sueño, la apnea es poco diagnosticada [4]. Por tanto, las técnicas que puedan proveer un cribado simple de la apnea sin la necesidad de un laboratorio de sueño resultarían beneficiosas. Para este propósito una señal interesante a utilizar sería la electrocardiográfica (ECG), pues se ve altamente influenciada durante los eventos de apnea y puede ser medida fácilmente por métodos no invasivos, obteniendo una alta relación señal a ruido, aún cuando sea tomada en ambientes no clínicos. En este trabajo se pretende realizar una contribución al estudio y desarrollo de algoritmos y programas de procesamiento digital de señales encaminados a la detección automática de la apnea. Particularmente tratará lo que se refiere a la evaluación de la efectividad de diferentes alternativas de clasificadores a partir de rasgos significativos de la señal electrocardiográfica..

(12) INTRODUCCIÓN. 2. El problema científico de este análisis es el siguiente: ¿Cuáles son los rasgos más efectivos de la señal ECG para crear un clasificador que logre un diagnóstico preliminar de la apnea del sueño? Para ello se propusieron los siguientes objetivos: Objetivo General - Evaluar el uso de clasificadores para de detectar la apnea del sueño a través de la señal electrocardiográfica.. Objetivos Específicos - Determinar a partir de la bibliografía especializada qué parámetros de la señal ECG influyen en la detección de la apnea de sueño. - Implementar en Matlab la extracción de los rasgos para realizar una certera evaluación de la apnea a partir de la señal ECG. - Experimentar diferentes algoritmos de clasificación basados en los rasgos obtenidos de la señal ECG para la clasificación de la apnea del sueño. - Comprobar el desempeño de los programas de clasificación a través de medidas de calidad. En el plan de estudio de la carrera de Ingeniería Biomédica se imparten asignaturas afines a este tema, como por ejemplo Procesamiento Digital de Señales (PDS), PDS avanzado y Tópicos avanzados de Ciencias de la Computación, que aportan el marco teórico necesario para enfrentar las exigencias del proyecto. Para la investigación se cuenta además con la base de datos Physionet. Esta base cuenta con un total de 75 grabaciones de la señal ECG durante una noche de sueño, obtenida en algunos casos simultáneamente con la señal respiratoria del paciente, para que se tengan como referencia. Se incluyen además anotaciones minuto a minuto de la existencia o no de episodios de apnea. Mediante esta investigación se pretende contribuir al estudio de la apnea del sueño y la relación de esta con la señal ECG..

(13) INTRODUCCIÓN. 3. Organización del informe El informe de la investigación se estructura en: una breve introducción que define el problema y los objetivos, capitulario (3 capítulos), conclusiones, recomendaciones y referencias bibliográficas. El primer capítulo aborda las generalidades relacionadas con la apnea del sueño. El segundo capítulo describe la base de datos a utilizar, el procesamiento que se realiza a las señales así como los rasgos y clasificadores que se utilizaron. El tercer capítulo analiza el comportamiento de los algoritmos empleados para el procesamiento y análisis de las señales electrocardiográficas teniendo en cuenta índices de desempeño tales como: la sensibilidad, especificidad y tasa de clasificación correcta de los clasificadores utilizados..

(14) CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA. 4. CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA. En este capítulo se abordan las generalidades de la apnea del sueño, como el más frecuente de los trastornos respiratorios que se producen durante el sueño. Se mencionan las consecuencias principales que puede acarrear dicha enfermedad. Se hace una descripción de la polisomnografía nocturna como principal estudio para detectar los sucesos de apnea. Se mencionan las desventajas y molestias que provoca esta prueba y la necesidad de utilizar otros estudios para mitigar las molestias causadas, introduciendo a la señal electrocardiográfica como útil en la clasificación de apnea del sueño. Se establece una relación entre la señal electrocardiográfica y la apnea del sueño. 1.1. Generalidades sobre la apnea del sueño. La palabra apnea deriva del griego a-pnoea, significa “no-respiración”. El síndrome de la apnea del sueño se define como un desorden del control de la respiración, caracterizado por paradas respiratorias de al menos 10 segundos durante el sueño y un número de más de cinco paradas por hora de sueño [4], [5]. En la actualidad se maneja el término OSAS (Obstructive Sleep Apnea Syndrome) en la literatura anglosajona para denominar el síndrome de apnea obstructiva del sueño (SAOS) o simplemente síndrome de apnea del sueño (SAS). El SAS incluye todas las patologías. No obstante, se recomienda usar el término síndrome de apnea-hipopnea durante el sueño (SAHS), debido a que incluye una referencia específica a las hipopneas (interrupción parcial del flujo aéreo), las cuales se consideran de importancia creciente tanto en adultos como en niños. La apnea o cese de la respiración durante el sueño puede ser causada por un bloqueo temporal o completo de las vías respiratorias, por la incapacidad del cerebro de enviar.

(15) CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA. 5. señales a los músculos que controlan la respiración o por la combinación de ambas. El síndrome de apnea e hipopnea obstructiva del sueño (SAHOS) es una enfermedad frecuente que afecta aproximadamente del 2 al 4% de la población adulta [3]. Su síntoma principal es la somnolencia diurna excesiva que, junto a la alteración del ánimo y deterioro cognitivo, producen un deterioro progresivo en la calidad de vida de los pacientes. Además, se ha asociado a mayor riesgo de hipertensión arterial, morbimortalidad cardiovascular, accidentes laborales y de tránsito [6]. El SAHOS, descrito inicialmente por Guilleminault en [7], se caracteriza por episodios recurrentes de colapso parcial o total de la vía aérea superior durante el sueño. Esto produce un aumento del esfuerzo toracoabdominal y caída de saturación arterial de oxígeno, lo que conducen a una reacción de microdespertar, instantes en los que el sueño se interrumpe para que el cuerpo pueda recuperar el ritmo respiratorio que reanudan la respiración. Los despertares transitorios dan lugar a un sueño no reparador. Las apneas se clasifican de acuerdo a la presencia o no del estímulo central y se dividen en: a. apnea central: ausencia de movimientos torácicos o abdominales producto de abolición del estímulo centro respiratorio. b. apnea obstructiva: cese del flujo producto de oclusión de la vía aérea, lo que determina persistencia del esfuerzo ventilatorio. c. apnea mixta: comienza como una apnea central, seguida de un componente obstructivo. . 1.1.1. Fisiopatología. El síndrome de apnea hipopnea del sueño se produce por la oclusión intermitente y repetitiva de la vía aérea superior durante el sueño, lo que origina una interrupción completa (apnea) o parcial (hipopnea) del flujo aéreo. Las apneas van seguidas de esfuerzo inspiratorio, sin paso de aire a los pulmones, quedando bloqueado al nivel de la orofaringe. Cuando cede finalmente la obstrucción, el aire irrumpe con turbulencia en las vías aéreas produciendo el ronquido. Los esfuerzos para superar la obstrucción terminan por despertar total o parcialmente al sujeto alterando el ciclo de las fases REM (Rapid eye movement) y no REM. También. provoca cansancio e hipersomnolencia diurna con cambios en la. conducta o la personalidad, con irritabilidad y agresividad, además deterioro intelectual [8]..

(16) CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA. 6. El síntoma más común de la apnea del sueño es el ronquido fuerte interrumpido por pausas en la respiración, seguido de fuertes sobresaltos. Una de las principales causas del inicio del estudio del diagnóstico de esta patología es el ronquido detectado por personas próximas al paciente [9], [10]. 1.1.2. Consecuencias clínicas. Las consecuencias clínicas del SAHOS se deben a los numerosos efectos que tienen como fenómeno inicial el evento respiratorio, la apnea. Las consecuencias clínicas se pueden dividir en dos grupos: 1 - Consecuencias psiconeurológicas. El colapso recurrente de la vía aérea superior conlleva a una reacción de despertar que provoca fragmentación y alteración de la arquitectura del sueño, con deterioro en la calidad del sueño (aumentan las etapas superficiales del sueño no REM en deterioro de las etapas profundas y el sueño REM). Existen evidencias de que la alteración de la arquitectura del sueño es la causa de la somnolencia diurna excesiva [11]. Se ha determinado que la caída de la oxigenación causa depresión de las funciones neuropsicológicas, con disminución de la memoria, atención y coordinación visual-motora. La elevación de la presión intracraneana se relaciona con las apneas. La impotencia sexual es otra de las consecuencias que se observa en este grupo de pacientes. 2 - Consecuencias cardiovasculares. Tienen importancia por su impacto en la mayor morbimortalidad, especialmente por la relación que existe con hipertensión arterial, arritmias, eventos coronarios y accidentes cerebrovasculares [12]. Los pacientes hipertensos tienen una muy alta prevalencia de SAHOS; el tratamiento adecuado del SAHOS disminuye la presión arterial. 1.2. La polisomnografía convencional nocturna (PSG). La polisomnografía nocturna (PSG) es una prueba médica para la evaluación de trastornos durante el sueño y se considera como el estándar dorado de diagnóstico de la apnea del sueño [13]. Esta es la prueba más completa para el estudio de los trastornos respiratorios durante el sueño [14]. Consiste en el registro de parámetros electrofisiológicos que definen.

(17) CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA. 7. los estados de sueño y de vigilia. Para su realización se requiere que el paciente pase la noche en un laboratorio del sueño. Las variables fisiológicas que se registran simultáneamente y de forma continuada durante el sueño en la PSG son: Variables Neurofisiológicas: Diferencian sueño y vigilia, fases del sueño y los despertares transitorios: Electroencefalograma (EEG), registra la actividad eléctrica cerebral. Electromiograma (EMG), registro de la actividad muscular mentoniana. Electrooculograma (EOG), registro de los movimientos oculares. Variables Cardiorrespiratorias: Flujo oronasal (permite identificar la presencia de apneas e hipopneas). Movimientos respiratorios torácicos y abdominales. Saturación de la oxihemoglobina (SaO2), que nos informa del grado de oxigenación. Micrófono para el ronquido, que nos informa sobre la intensidad y frecuencia de ronquidos. Electrocardiograma (ECG) ritmo cardiaco. Otras: Posición corporal, informa sobre la posición de sueño del sujeto. EMG tibiales, registro de los movimientos de las piernas. Opcionalmente: Presión esofágica para cuantificar el grado de esfuerzo respiratorio. Luz ambiental y video. El PSG es considerado ampliamente como una prueba cabal y fidedigna, sin embargo, también recibe su parte de crítica. En primer lugar, PSG es inconveniente desde el momento que requiere al paciente permanecer en el hospital toda una noche. En segundo lugar, es un proceso caro. Este alto precio es debido a la necesidad de realizar el estudio en un hospital especializado, con la presencia de técnicos durante la noche de sueño para realizar las anotaciones manualmente. En tercer lugar, muchos laboratorios de sueño funcionan en todo el mundo a toda capacidad y los estudios PSG usualmente tienen poca disponibilidad. Por lo tanto, las técnicas que proveen un diagnóstico certero de apnea de sueño con menos costos y medidas más simples, sin que sea necesario un laboratorio especializado de sueño, resultan beneficiosas. En la Figura 1 se observa un segmento de un registro polisomnográfico [11]. Las señales que. se. muestran. son:. registro. encefalográfico,. movimientos. oculares. (EOG),. electromiograma del mentón (EMG) y de las piernas (LEGS), flujo oronasal (PTAF), termistor nasal (NAF), movimientos torácicos (THO) y abdominal (ABD), sensor de.

(18) CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA. 8. posición (Posic), electrocardiograma (ECG), frecuencia cardiaca (RR), saturación de oxígeno (SaO2), sensor de ronquido (MICRO) y de luz (LUZ). La flecha indica el comienzo de un episodio de apnea obstructiva que termina con la aparición de microdespertar (flecha gruesa) que reanuda la ventilación. Se observa además la caída significativa de la SaO2, taquicardia y aparición de ronquido.. Figura 1. Segmento de un registro polisomnográfico.. Existen multitud de referencias en la literatura internacional donde se establecen la viabilidad del diagnóstico del SAHS con ayuda de la información relativa a la actividad cardiaca, pues resulta indudable la vinculación existente entre esta y los trastornos del sueño [15]. 1.3. Caracterización de la señal ECG. El electrocardiograma (ECG) es un registro gráfico de los potenciales eléctricos generados en el corazón durante ciclos cardiacos en un período de tiempo determinado. Su análisis es de gran importancia en el estudio y diagnóstico de enfermedades cardiovasculares, alteraciones metabólicas y la predisposición a una muerte súbita cardiaca [16]. El ECG tiene la ventaja de ser un procedimiento médico con resultados disponibles inmediatos. Constituye una técnica no invasiva por lo que resulta menos traumático para el paciente y.

(19) CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA. 9. suministra información conveniente acerca de la actividad del corazón, órgano principal del aparato circulatorio. Un latido cardiaco normal registrado en un electrocardiograma consta de una onda P, un complejo QRS y una onda T (ver Figura 2). Existe además una pequeña onda U que normalmente es invisible.. Figura 2. Representación de la señal ECG ideal. Los intervalos temporales dentro de la señal correspondiente a cada latido también tienen importancia desde el punto de vista del diagnóstico. Otras medidas de gran interés en el diagnóstico son la variabilidad en el tiempo de la forma de las ondas y del valor de los intervalos RR y QT. Apariciones de latidos que cambian bruscamente de forma, como son los latidos ectópicos o contracciones ventriculares prematuras, son de gran interés y su detección es un problema importante en electrocardiografía [17]. En una persona sana, los latidos se van produciendo con una frecuencia variable, es decir, el tiempo (en milisegundos) entre dos latidos va variando latido a latido. Este aspecto representa el concepto de variabilidad de la frecuencia cardiaca (VFC). El VFC se define como la variación de la frecuencia del latido cardiaco durante un intervalo de tiempo definido con anterioridad, en un análisis de períodos circadianos consecutivos[18]. La manera habitual de medir esta variabilidad es a partir del electrocardiograma donde se detecta cada una de las ondas R y se calcula el tiempo entre las diferentes ondas R consecutivas o intervalo RR. Este intervalo RR mide el período cardiaco y su inverso.

(20) CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA. 10. representa la frecuencia cardiaca. El análisis de la VFC es utilizado con frecuencia en relación al diagnóstico de los trastornos respiratorios asociados a desórdenes del sueño. 1.4. Parámetros. utilizados en la medición de las variaciones de a frecuencia. cardiaca. Las variaciones de la frecuencia cardíaca pueden ser evaluadas por varios métodos tanto en el dominio del tiempo como en el dominio de la frecuencia. En un registro electrocardiográfico continuo (ECG), cada complejo QRS es detectado y llamamos intervalo RR, al intervalo entre complejos detectados. Partiendo de esta detección podemos realizar el cálculo de parámetros. Algunos de los parámetros del dominio del tiempo y dominio de la frecuencia se pueden ver en las tablas 1 y 2 respectivamente. En la figura 3 se observa una gráfica de la densidad espectral de potencia con los límites de las diferentes bandas de frecuencia en la variabilidad de frecuencia cardiaca. Los métodos de estimación espectral aprovechan las propiedades espectrales que muestra la acción de cada sistema sobre una banda determinada del espectro de la variabilidad. Es posible obtener información del control ejercido por un sistema determinado realizando un análisis de la potencia espectral en determinadas bandas.. Tabla 1. Parámetros en el dominio del tiempo Nombre MEDIA MAX MIN DS VAR DSDS NN50 PNN COV RMSSD. Significado Valor medio de todos los intervalos Valor máximo de los intervalos Valor mínimo de los intervalos Desviación estándar de los intervalos Varianza de los intervalos DS de la diferencia de los intervalos Número de intervalos que difieren 50 ms o más Porcentaje que difieren 50 ms o más Coeficiente de variación DS/RR Media cuadrática de la diferencia entre intervalos.

(21) CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA. 11. Tabla 2. Parámetros en el dominio de la frecuencia Nombre UBF MBF BF AF BF/AF BF/EA. Significado Potencia absoluta de la banda de ultra baja frecuencia 0,0001Hz<f<0,003Hz Potencia absoluta de la banda de muy baja frecuencia 0,003Hz<f<0,04Hz Potencia absoluta de la banda de baja frecuencia 0,04Hz<f<0,15Hz Potencia absoluta de la banda de alta frecuencia 0,15<f<0,4 Energía relativa entre las bandas de baja y altas frecuencias Energía relativa entre las bandas de baja y la energía total. Figura 3. Gráfica de la DSP en las bandas de frecuencia. 1.5. Relación entre la apnea y la señal electrocardiográfica. El SAHS es un factor de riesgo para la hipertensión arterial (HTA) y la cardiopatía isquémica. En el estudio de estos pacientes se detectan fluctuaciones del ritmo cardiaco [19], las cuales pueden servir para el diagnóstico del SAHS [7]. Estas variaciones cíclicas consisten en fases de bradicardias durante la fase apneica seguidas de taquicardias abruptas a la salida de la apnea. Las fases de bradicardias y taquicardias son atribuidas a un control efectivo del sistema parasimpático sobre el pulso cardiaco [20], que son interrumpidos por.

(22) CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA. 12. la activación del sistema simpático, terminando la apnea en un despertar. Durante la aparición de episodios de apnea obstructiva del sueño se producen variaciones cíclicas en el ritmo cardiaco que pueden aparecer periódicamente cada 25-100 seg, produciendo una actividad a muy baja frecuencia entre 0.01-0.04 Hz [21]. La Figura 4 muestra la respuesta de frecuencias de la señal RR en un tramo sin apnea y otro con apnea para uno de los pacientes de la base de datos de Phisionet. Se observa que cuando aparece el episodio de apnea, la densidad espectral de potencia (PSD) en el intervalo de frecuencias entre 0.005 Hz y 0.05 Hz se incrementa unas 200 veces en este caso.. Figura 4. Respuesta de frecuencias de la señal RR para un paciente de la base de datos de Physionet. En a) no ocurre apnea de sueño y en b) ocurre un episodio de apnea de sueño.. Se han realizado numerosos estudios para utilizar la variabilidad del ritmo cardiaco [22], las señales respiratorias derivadas del ECG [23] y rasgos directos de la señal ECG [24] como la amplitud de las ondas R o S, y la energía de la señal ECG, en la detección de episodios de apnea del sueño. En la literatura internacional existen gran cantidad de documentos relacionados con el tema, los cuales abordan la detección automática de apnea [25]..

(23) CAPÍTULO 1. REVISIÓN BIBLIOGRÁFICA. 13. En [26] se analizan espectralmente los impactos de la apnea sobre los intervalos RR de los ECG de los pacientes, usando el método de Welch. En este estudio se evidencia la existencia de un incremento espectral en el intervalo RR, de muy baja frecuencia durante las fases de apnea, en relación con las fases normales de respiración. En [27] se estudiaron los polisomnogramas de sujetos sanos, concluyendo que los valores del espectro de potencia para muy baja frecuencia (VLF) son debidos a los mecanismos reflejos del cuerpo, siendo significativamente muy altos en la fase REM comparadas con las etapas 2 y 4 del sueño. En el estudio de la relación entre los electrocardiogramas de sujetos con apnea se ha encontrado que en los periodos de no-apnea, la respiración de los sujetos en análisis se caracteriza por una fuerte señal periódica relacionada con el ritmo respiratorio de aproximadamente 14 c.p.m. (ciclos por minuto), y los episodios de apnea se caracterizaban por oscilaciones periódicas en el electrocardiograma con frecuencias fundamentales de 0.52.0 c.p.m., en la mayoría de los casos se observaron 3 y 4 armónicos de la frecuencia fundamental [28]. En [29] se describe un método para la detección automática de la apnea basado en los cambios de los complejos QRS, así como en las anormalidades en el espectro de frecuencia en las pulsaciones del corazón, mediante un monitoreo continuo del paciente durante el sueño nocturno..

(24) CAPÍTULO 2. MATERIALES Y METODOS. 14. CAPÍTULO 2. MATERIALES Y MÉTODOS. En este capítulo se describe la base de datos de Physionet, que representa el estándar dorado para este estudio, por poseer las señales ECG y las anotaciones en cada minuto de la presencia o no de apnea de sueño. Se explica el preprocesamiento de las señales electrocardiográficas mediante dos filtros de mediana con ventanas de 200 y 600 ms. Se describen los rasgos que se extraerán de la señal ECG. Se explican los tres algoritmos utilizados en la clasificación (RNA, SVM, LDA). 2.1. Descripción de la base de datos. Como referencia para el diseño y la validación de los clasificadores se usó una base de datos. disponible en el sitio Physionet.org. La base de datos fue utilizada para. Phisionet/Computers in Cardiology Chanlenger 2000 y fue provista por la Universidad de Marburgo en Alemania. Su uso es totalmente libre con fines de investigación. Esta base se confeccionó por expertos humanos sobre la base de una grabación de la señal de respiración, obtenida simultáneamente con la grabación del ECG. Consta con un total de 70 grabaciones de señales electrocardiográficas, digitalizadas a 100 Hz con 12 bits de resolución, grabada de manera continua durante 8 horas aproximadamente, aunque las grabaciones individuales varían entre 7 y 10 horas. Los episodios de hypoapnea están anotados simplemente como episodios de apnea. La base se divide en tres grupos: Grupo A (pacientes con apnea): grabaciones con ocurrencias de apnea (100 minutos o más) con un total de 40 pacientes. Grupo B (pacientes en zona de duda): grabaciones con algunas ocurrencias de apnea (entre 5 y 99 minutos de apnea) con un total de 10 pacientes..

(25) CAPÍTULO 2. MATERIALES Y METODOS. 15. Grupo C (pacientes sin apnea): grabaciones con poca ocurrencia de apnea (menos de 5 minutos de apnea) con un total de 20 pacientes. Cada una de las grabaciones tiene asociado un conjunto de anotaciones que se utilizan como referencia y que indican la presencia o no de apnea en intervalos de 60 segundos [21]. La base de datos no contiene episodios de apnea central pura o de respiración de Cheyne-Stokes, todas las apenas en la base son del tipo obstructiva o mixta. Los sujetos de las grabaciones son hombres con una edad comprendida entre 27 y 63 años (43.8 ± 10.8) y un peso entre 53 y 135 kg (86.3 ± 22.2) para un índice de masa corporal entre 20.3 y 42.1. El índice de AHI (índice de apnea-hypoapnea) se encuentra entre 0 y 93.5. La base se divide en dos conjuntos, uno de entrenamiento y otro de prueba, ambos con 35 grabaciones igualmente distribuido. 2.2. Preprocesamiento de la señal.. Como preprocesamiento de la señal se realiza un filtrado para eliminar la actividad de baja frecuencia que provoca la señal de respiración sobre el ECG y que afecta la línea base. En este trabajo el preprocesamiento se realiza mediante un filtrado de mediana deslizante con ventanas de 200 ms y 600 ms. La Figura 5 muestra la respuesta de frecuencias de los filtros. El resultado de aplicar este filtrado se observa en la Figura 6, donde se nota como se elimina la variación que ocurre sobre la línea base en la señal..

(26) CAPÍTULO 2. MATERIALES Y METODOS. 16. Figura 5. Respuesta de frecuencia del filtro de mediana con ventana de a) 200 ms y b) 600 ms. Las frecuencias de corte de estos filtros son 2.21 (a) y 0.74 (b).. Figura 6. Resultado de aplicar sobre la señal ECG el filtrado de mediana deslizante..

(27) CAPÍTULO 2. MATERIALES Y METODOS. 2.3. 17. Extracción de rasgos. Durante los episodios de apnea del sueño la señal ECG se ve afectada, fundamentalmente en alteraciones de los intervalos RR. En este trabajo se utilizan como rasgos para describir el problema en primer lugar, el área bajo la onda R, el área bajo la onda QR, la variabilidad del ritmo cardiaco (VFC) y la Trasformada Wavelet. Se obtiene la serie de tiempo de los intervalos RR, de donde se obtienen características estadísticas como la media y la desviación típica, así como rasgos basados en el uso de la Trasformada Wavelet Discreta y un análisis espectral basado en el método de Welch. Con todos estos rasgos se obtiene un vector de características que se utiliza en el proceso de clasificación. 2.3.1. Construcción de señales derivadas de la señal ECG. La base de datos incluye para cada una de la señales ECG una detección automática de los complejos QRS. Debido a que en algunas ocasiones no coincidían los complejos QRS con los anotados en la base de datos se realiza una corrección automática de la onda R como se explica en el siguiente subepígrade [30], [31]. 2.3.2. Intervalos RR. En este trabajo se cuenta con una base de datos que tiene anotados los intervalos RR, sin embargo, se realiza una rectificación más fina buscando, en la vecindad del punto R, el valor máximo de la señal. Se realiza una verificación para eliminar marcas R demasiado cercanas, e incluir marcas que puedan faltar en intervalos donde pueden perderse (lejanas). De esta manera para eliminar las ondas R que en realidad no lo son se sigue como criterio que: la suma de dos intervalos consecutivos tiene que ser menor que un intervalo nombrado intervalo de guarda o robusto, esto es: FP = RRi + RRi+1 < Th; Th = 1.1 RRth. , donde. RRth es la mediana de 5 intervalos. consecutivos. Cuando aparecen largos intervalos sin marcar una onda R, entonces se determina si falta alguna marca R siguiendo el criterio de que la separación entre dos ondas R no puede ser inferior a 1.9 veces el intervalo de guarda, esto es: FP = RRi + RRi+1 > Th; con Th = 1.9 RRth y RRth es nuevamente la mediana de 5 intervalos consecutivos..

(28) CAPÍTULO 2. MATERIALES Y METODOS. 2.3.3. 18. Área bajo la onda R. El área bajo la onda R se calcula aplicando una ventana de 100 ms centrada en la posición del pico R. Partiendo de la posición del pico máximo x[imax] > 0, se reducen y aumentan las muestras hasta encontrar los cambios de signo en la amplitud de la señal anterior y posterior al pico R, esto es x[imax-n] < 0 para el cambio de signo anterior y x[imax-n+t] < 0 para cambio de signo posterior. Una vez que se tiene la posición de ambos cambios de signo, se calcula el área bajo la onda R como:. AR . 2.3.4. . t n. x[ i ]. (1). nt. Área en el intervalo QR. Análogamente a como se calcula el área bajo la onda R, se calcula el área bajo la onda en el intervalo QR. 2.3.5. Rasgos espectrales. Para extraer de las señales los rasgos espectrales seleccionados es necesario aplicar un procesamiento a los datos, de forma que se obtiene la densidad espectral de potencia en intervalos de 1 segundo de la serie RR. El cálculo de la densidad espectral de potencia se realiza mediante un periodograma de Welch. Esta técnica procede como indica la ecuación (2).. P( f ) . 1 L. L 1.   [ n ] xi [ n ]e.  j 2  fn. (2). n0. Donde L es la longitud de los segmentos, ω es el tipo de ventana seleccionado para aplicar a la señal, que en esta aplicación es una ventana de Hamming y xi representa el segmento sobre el cual se trabaja. Esta técnica divide la señal en varios segmentos cuya longitud es determinada por el tamaño de la ventana ω y se decidió fuera de 1 segundo de duración. Continuando entonces, con la técnica de Welch se calcula la Transformada Rápida de Fourier (FFT, por sus siglas en inglés), con una longitud de 1024 puntos, para los segmentos en los que se.

(29) CAPÍTULO 2. MATERIALES Y METODOS. 19. divide la señal operando con una frecuencia de muestreo, de 100Hz. Por último se calcula el espectro de potencia, siguiendo la ecuación (2). 2.3.6. Rasgos en el domino Wavelets. Para extraer de la serie RR los rasgos por descomposición con Wavelet, se aplica a esta una descomposición de 2 niveles usando como wavelet madre una Daubechies wavelets tipo 4 (db4) [32]. De este procedimiento se obtiene la señal ECG descompuesta, en coeficientes de aproximación y detalle, en 2 niveles como representa la figura 7.. Figura 7. Estructura de descomposición Wavelet aplicada a la señal ECG. Una vez realizada la descomposición se extraen y agrupan los coeficientes de detalle de cada nivel al igual que el coeficiente de aproximación correspondiente al nivel 2. De estos coeficientes se extrae para cada señal el valor máximo, el valor mínimo, la media y la desviación estándar, que finalmente serán los rasgos seleccionados para el entrenamiento del clasificador automático. 2.4. Clasificadores. Un clasificador digital es una herramienta computacional que es capaz de determinar una clase etiquetada a partir de un conjunto de características o rasgos que se colocan como atributos de entrada en el clasificador. Existe para el aprendizaje de los clasificadores dos técnicas conocidas como: aprendizaje supervisado que es el que se basa en entrenar al clasificador a partir de ejemplos conocidos, y no supervisado donde el algoritmo aprende a partir de patrones de entrada para los que no se especifiquen los valores de sus salidas. Los clasificadores que se analizan en este capítulo utilizan el aprendizaje supervisado. En la literatura referente al tema se encuentra un amplio uso de ambas técnicas para la clasificación. Como ejemplos de clasificadores supervisados se tienen: las redes neuronales.

(30) CAPÍTULO 2. MATERIALES Y METODOS. 20. artificiales (RNA) [33], las máquinas de soporte vectorial (SVM) [34], método de los vecinos más cercanos (knn) [30], así como el clasificador Bayesiano. Con respecto a los que se basan en aprendizaje no supervisado, tenemos Spectral Clustering y a fuzzy Cmeans. A continuación se describen los clasificadores utilizados en esta investigación: RNA, SVM y análisis del discriminante lineal (ADL). 2.4.1. Redes Neuronales Artificiales. El concepto de RNA se basa en una modelación de la capacidad de aprendizaje del cerebro, constituyendo en la actualidad una herramienta de uso cada vez más extendido en tareas de clasificación. El propósito general es asignar a cada caso la clase correspondiente de acuerdo a un aprendizaje previo realizado por la red. Existen diversos tipos de redes neuronales, atendiendo a la arquitectura, a las formas en que se realiza el aprendizaje y a las funciones de activación que se utilicen para las neuronas. En estas redes, cada una de las unidades o neuronas de una capa lleva a cabo una suma pesada o ponderada de la entrada y utiliza este resultado para pasarlo a través de una función de trasferencia y producir una salida. Las redes backpropagation estándar tienen un algoritmo descendiente en el cual el peso es movido para optimizar la función de desempeño [35]. El proceder de esta red consiste en evaluar la función de transferencia en relación a las entradas multiplicadas por su peso y sumadas con el valor de realimentación como describe la ecuación (3) para la función de transferencia tangencial tansig, la cual fue usada en la investigación debido a la relación entre las entradas y los objetivos.. A  tan sig (W * p  b ). (3). La letra A representa el vector de salida, W representa el peso asignado a cada entrada p y b es el valor de la realimentación. Esta ecuación se aplica a las cuatro capas que contiene la red diseñada, donde A sería la entrada de la capa siguiente y p la salida de la anterior. Una vez que el peso y la realimentación de la red son inicializados, la red está lista para ser entrenada. Este proceso puede realizarse a través de una función de aproximación, asociación o clasificación de patrones. Durante el entrenamiento, los pesos y la realimentación de la red son iterativamente ajustados para minimizar la función de.

(31) CAPÍTULO 2. MATERIALES Y METODOS. 21. desempeño, en este caso, la función de error a minimizar es el error medio cuadrático (MSE, por sus siglas en inglés). Todos los algoritmos de entrenamiento para estas redes usan un gradiente para determinar cómo ajustar los pesos para minimizar el MSE. Este gradiente se determina usando la técnica backpropagation. La referida técnica realiza funciones de cálculo partiendo de las salidas hacia atrás en la red. No es práctico determinar la configuración más óptima para la razón de aprendizaje hasta que no se haya entrenado la red, de hecho, la configuración óptima varía durante el proceso de entrenamiento. El desempeño del algoritmo puede ser mejorado si se permite a la razón de aprendizaje que cambie durante el proceso de entrenamiento. En este estudio se utiliza una RNA perceptron multicapa (MPL), con 3 capaz ocultas, con tantas entradas como rasgos utilizados (20) en el trabajo y una salida pues se realiza una clasificación binaria (apnea o no apnea). 2.4.2. Máquinas de Soporte Vectorial (SVM). Las SVM son un método de clasificación que consiste en construir hiperplanos en un espacio multidimensional para separar los casos de diferentes clases. Para construir el hiperplano óptimo se emplea un algoritmo de entrenamiento iterativo, el cual se utiliza para minimizar una función de error. De acuerdo a la función de error existen dos tipos de vectores soporte para clasificación: tipo 1 (C-SVM) y tipo 2 (nu-SVM). La clasificación tipo II es la variante SVM seleccionada para esta investigación a través de la cual se minimiza la función de error de la ecuación (4).. 1 e  0 . 5     N T. N.  i. (4). i 1. Sujeta a las restricciones de la ecuación (5). yi ( T  ( xi )  b)     i ,  i  0, i  1,..., N ,   0. (5). Donde ω es el vector de coeficientes, b es el umbral calculado en la sección de entrenamiento a partir de un conjunto de datos de entrenamiento y ξi son los parámetros de los datos de entrada. El índice i indica el caso N de entrenamiento, yi es la clase y xi es la.

(32) CAPÍTULO 2. MATERIALES Y METODOS. 22. variable independiente. El núcleo (o kernel) Φ es el usado para separar los datos de la variable independiente (de entrada) en características independientes. Se pueden emplear como núcleos funciones polinómicas, funciones gaussianas de base radial o sigmoides. En esta investigación se emplea en concreto un núcleo polinomial de orden 3, pues presentó los mejores resultados en la clasificación comparado con orden 2 y con kernel lineal. Esta función del núcleo es la que utiliza como algoritmo el clasificador para separar los datos y crear el hiperplano entre ellos. Se evalúan los datos en los términos del polinomio y de acuerdo a su resultado se le asigna su clase de pertenencia. 2.4.3. Análisis del Discriminante Lineal (ADL). El Análisis del Discriminante Lineal (ADL) es una técnica estadística que permite identificar las características que discriminan entre dos o más grupos y crea una función capaz de distinguir con la mayor precisión posible a los miembros de uno u otro grupo. En este caso se emplea el ADL para realizar una clasificación binaria (apnea o no apnea) buscando la combinación lineal de las variables independientes que mejor permita discriminar a los grupos, según la ecuación (6): D = a + b1*x1 + b2*x2 + ... + bm*xm. (6). Donde a es una constante y b1-bm son los coeficientes de la función. 2.5. Estrategia de clasifcación.. La estrategia de clasificación que se sigue en este estudio cumplen el siguiente orden: primero clasificar las tramas de un segundo de duración en episodios de apnea o no apnea, luego se calcula qué por ciento del total de trama presenta apnea, para finalmente decidir si un nuevo caso padece de apnea obstructiva del sueño o no. El umbral de decisión se tomó en 12 minutos de apnea por hora de sueño o más del 20 % del tiempo total de sueño con apnea. 2.6. Medidas de calidad utilizadas.. Para realizar la evaluación de los clasificadores se usaron un grupo de medidas de calidad (ver tabla 3) que se describen a continuación [36]..

(33) CAPÍTULO 2. MATERIALES Y METODOS. 23. Tabla 3. Matriz de confusión. Normal Anormal. Clasificada Normal Clasificada Anormal VN FP FN VP. VP (Verdaderos Positivos): significa la clasificación correcta de un valor positivo. VN (Verdaderos Negativos): significa la clasificación correcta de un valor negativo. FP (Falsos Positivos): significa la cantidad de valores negativos dados como positivos. FN (Falsos Negativos): significa la cantidad de valores positivos dados como negativos. Los índices de desempeño calculados para los distintos clasificadores son: La precisión o tasa de clasificación correcta (Cr), es la proporción del número total de casos que fueron clasificados correctamente. Cr . VP  VN FP  FN . 1  VP  FP  FN  VN VP  FP  FN  VN. (7). La sensibilidad (Se) corresponde a la fracción de positivos detectados correctamente con relación a la cantidad total de positivos de la base de casos. Se . VP FN  1 VP  FN VP  FN. (8). La especificidad ( S p ) es la probabilidad de detectar correctamente los eventos normales (tramas sin apnea), se calcula como: Sp . VN FP .  1 FP  VN FP  VN. (9). Se observa que para mejorar la clasificación debe ocurrir una disminución de los falsos negativos (Fn), con lo cual la sensibilidad aumentaría, al igual que si disminuyen los falsos positivos (Fp), la especificidad también aumentaría. Reducir la tasa de falsos negativos aumenta la seguridad del diagnóstico para el paciente, mientras que disminuir la tasa de falsos positivos tiene un efecto económico pues evita seguir tratando a pacientes que en realidad están sanos..

(34) CAPÍTULO 2. MATERIALES Y METODOS. 24. Conclusiones del capítulo En este capítulo se hizo una descripción de los materiales y métodos para la clasificación automática de la apnea de sueño a partir de la señal ECG. Se describe la base de datos con la que se realizarán los experimentos. Se explican cómo se obtienen las señales derivadas del ECG y los rasgos que se van a extraer de ellas. Se describen los principios básicos de los clasificadores que se van a comparar para la determinación de los episodios de apnea. Los clasificadores a utilizar son: RNA, SVM y ADL. Se describen las medidas de calidad utilizadas, tales como la sensibilidad, la especificidad y la tasa de clasificación correcta..

(35) CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 25. CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 3.1. Evaluación de los rasgos. En este trabajo se utilizó un vector de características compuesto por 20 rasgos (ver tabla 4). Los primeros 3 rasgos están relacionados con la potencia de cada trama de 1 segundo de la señal ECG. Se calcula un promedio de la potencia en los intervalos MBF (0,003Hz<f<0,04Hz), BF (0.04Hz<f<0.15Hz) y AF (0.15Hz<f<0.4Hz). Para la obtención de los demás rasgos relacionados con la PSD primeramente se calculan 3 señales derivadas del ECG. Las señales derivadas son: área bajo la onda R, área bajo la onda QR y señal RR. A cada una de estas señales se les calcula la PSD y se realiza un procedimiento similar al realizado a los 3 primeros rasgos calculados, es decir determinar la potencia en cada uno de los tres intervalos de frecuencia (MBF, BF, AF). Hasta el momento contamos con 12 rasgos los que están relacionados con la potencia. Los 8 rasgos restantes se obtienen de: la media, la desviación estándar, el mínimo y el máximo de los coeficientes de aproximación y detalle del segundo nivel de una descomposición wavelet de la señal RR con una wavelet madre Daubechies (db4). Aunque se utilizaron todas las variables en los tres clasificadores, se realizó un análisis de componentes principales que arrojó como variables más significativas, las tres componentes espectrales de la onda RR, con un 95 % de la varianza explicada. Este resultado tiene que ver con la correlación que existe entre la señal RR y la señal respiratoria, pero no se utiliza porque los demás rasgos pueden propiciar una clasificación más certera..

(36) CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 26. Tabla 4. Conjunto de rasgos empleados en la clasificación de la apnea del sueño.. VLF Potencia para cada trama de la señal MF HF VLF Potencia para la señal RR MF HF VLF Potencia para el área bajo la onda R MF HF VLF Potencia para el área bajo la onda QR MF HF Coeficientes wavelets de 2do nivel media std Aproximación min max media std Detalle min max. 3.2. Evaluación de los clasificadores.. En la clasificación realizada se utilizó el 50% de los datos para entrenamiento (35 grabaciones) y el otro 50% para la clasificación, con 1036080 segundos de clasificación total realizada a las 35 señales. Se obtuvieron las matrices de confusión para todos los clasificadores (ver tablas 5, 6 y 7). A partir de estas tablas se calculan los índices de desempeño. Tabla 5. Matriz de confusión para el clasificador RNA Clasificada normal Clasificada anormal Normal 459469 22812 Anormal 55864 497934.

(37) CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 27. Tabla 6. Matriz de confusión para el clasificador SVM Clasificada Normal Clasificada Anormal Normal 483321 26879 Anormal 32012 493867. Tabla 7. Matriz de confusión para el clasificador ADL Clasificada Normal Clasificada Anormal Normal 460323 43298 Anormal 55010 477448. La tabla 8 muestra los índices de desempeño calculados para cada uno de los diferentes clasificadores, utilizando la matriz de confusión que se obtienen para por cada uno de ellos. Como se observa en dicha tabla, el clasificador SVM presentó los mejores resultados en cuanto a precisión y especificidad, la RNA presentó mejores resultados en cuanto a sensibilidad. De cualquier manera todos los clasificadores presenta resultados alrededor del 90 %, esto se debe al hecho de que el problema en cuestión es la separación en solo dos clases. Estos resultados, si bien no superan de manera especial lo reportado en la literatura, son perfectamente comparables.. Tabla 8. Índices de desempeño calculados para los 3 clasificadores utilizados.. RNA SVM LDA 3.3. Cr 92.406 94.315 90.511. Sp 95.269 94.731 91.402. Se 89.125 93.912 89.668. Evaluación de la clasificación final. En el epígrafe anterior se muestra el resultado de cada uno de los algoritmos clasificando en apnea o no cada un segundo de señal. Sin embargo en la tabla 9 se muestra en la primera columna las 35 grabaciones de la base de datos, en la segunda columna se observan las clasificaciones que nos brinda dicha base: A (paciente con apnea), C (paciente sin apnea) y.

(38) CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 28. B (paciente dudoso). Las tres columnas restantes muestran como clasifican los algoritmos utilizados (RNA, SVM, ADL) en una clasificación general de acuerdo a lo planteado en el epígrafe 2.5. Como puede observarse en todos los casos los pacientes en la zona de duda fueron calificados en una de las dos clases A o C, nunca en la clase B, porque en este estudio se realiza una clasificación binaria. De la tabla 9 se pueden extraer los datos para construir las matrices de confusión de cada uno de los clasificadores utilizados (ver tabas 10, 11 y 12). En la tabla 11 se muestra la matriz de confusión para el clasificador RNA, donde se observa que de 5 casos dudosos, 3 fueron clasificados como no apnea, en el caso del LDA solo clasificó con apnea 1 de los 5 casos dudosos. Sin embargo para el clasificador SVM, 3 de los pacientes B fueron clasificados como A, esto se debe a que el SVM tiene mejores índices de desempeño, principalmente la sensibilidad por lo que tiene una alta capacidad de detectar las anomalías correctamente..

(39) CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 29. Tabla 9. Clasificación final por cada uno de los clasificadores. Grabación x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 x11 x12 x13 x14 x15 x16 x17 x18 x19 x20 x21 x22 x23 x24 x25 x26 x27 x28 x29 x30 x31 x32 x33 x34 x35. Referencia A A B C A C A A A B B B A A A B C C A A A C A C A A A A C A A A C C C. Clasificación RNA SVM A A A A A C C C A A C C A A A A A A A A C A C C A A C C A A C A A A C C A A A A A A C C A A C C A A A A A A A A C C A A A A A A C C C A C C. LDA A A C C A C A A A C C C A C A A A C A A A C A C A A A A C A A A C A C.

(40) CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 30. Tabla 10. Matriz de confusión para el clasificador RNA, para una clasificación total Clasificadas por el algoritmo RNA A Clasificación real B C. A 19 2 1. B 0 0 0. C 1 3 9. Tabla 11. Matriz de confusión para el clasificador SVM, para una clasificación total. Clasificadas por el algoritmo SVM A Clasificación real B C. A 19 3 2. B 0 0 0. C 1 2 8. Tabla 12. Matriz de confusión para el clasificador LDA, para una clasificación total. Clasificadas por el algoritmo LDA A Clasificación real B C. A 19 1 2. B 0 0 0. C 1 4 8. Conclusiones del capítulo Se calcularon un total de 20 rasgos, de ellos 9 están relacionados con características espectrales de las señales derivadas del ECG (área bajo la onda R, área bajo la onda QR y señal RR), 3 con características espectrales también, pero de tramas de un segundo de duración de la señal ECG; los 8 restantes se relacionan con la transformada wavelets de la señal RR. Aunque se utilizaron todos los rasgos calculados en la clasificación, se determinó mediante análisis de componentes principales que los rasgos espectrales de la señal RR, contienen información suficiente para realizar una buena clasificación. Esto se debe a la correlación que tiene dicha señal con la señal respiratoria. En este capítulo se presentaron.

(41) CAPÍTULO 3. RESULTADOS Y DISCUSIÓN. 31. los índices de desempeño de los tres clasificadores orientados a la detección de la apnea del sueño, todos brindan resultados semejantes y comparables con los reportados en la literatura, aunque en ningún caso lo superen..

(42) CONCLUSIONES Y RECOMENDACIONES. 32. CONCLUSIONES Y RECOMENDACIONES. Conclusiones La clasificación de apnea de sueño es un área de investigación aún abierta en el campo de la ingeniería biomédica y de la inteligencia artificial, por lo que durante la realización de los experimentos descritos en este trabajo se puede concluir: 1. La señal ECG contiene información suficiente para ser utilizada en estudios de apnea de sueño disminuyendo las molestias y costos de los estudios Polisomnográficos.. 2. Del conjunto de rasgos del dominio frecuencial y tiempo-escala (wavelets) derivados de la señal ECG, los del conjunto de la frecuencia a partir de la serie RR agrupan el 95 % de la varianza explicada por lo que en otros trabajos pudieran ser valorados.. 3. El clasificador SVM presentó los mejores resultados comparado con RNA y LDA, sin embargo, esos resultados aunque no superan los reportados en la literatura, son perfectamente comparables..

(43) CONCLUSIONES Y RECOMENDACIONES. 33. Recomendaciones Con el desarrollo de este trabajo queda abierta la posibilidad de realizar las siguientes acciones futuras: 1. Ampliar el estudio a nuevos rasgos y nuevas señales derivadas de la ECG.. 2. Realizar valoraciones del comportamiento de otros clasificadores en las condiciones en que se desarrolló este estudio.. 3. Implementar en un software profesional con algunas de las variantes analizadas en este trabajo.. 4. Validar la superioridad de un clasificador con respento a los otros mediante pruebas estadísticas..

(44) REFERENCIAS BIBLIOGRÁFICAS. 34. REFERENCIAS BIBLIOGRÁFICAS. [1]. T. Young, M. Palta, J. Dempsey, J. Skatrud, S. Weber, y S. Badr, «The occurrence of. sleep-disordered breathing among middle-aged adults», N Engl J Med, vol. 3281, pp. 230– 35, 1993. [2]. J. Tern-Santos, A. Jiménez-Gómez, y J. Cordero-Guevara, «The Association between. Sleep Apnea and the Risk of Traffic Accidents», New England Journal of Medicine, vol. 340, n.o 11, 1999. [3]. A. Malhotra y D. P. White, «Obstructive sleep apnoea», Lancet, vol. 360, pp. 237–45.. [4]. T. Young, L. Evans, L. Finn, y M. Palma, «Estimation of the clinically diagnosed. proportion of sleep apnoea syndrome in middle-aged men and women», Sleep, vol. 20, pp. 705–6, 1997. [5]. J. Durán-Cantolla, G. De La Torre, R. Rubio, y L. Guerra, «El síndrome de apneas-. hipopneas durante el sueño (SAHS) en España. Disponibilidad de recursos para su diagnóstico y tratamiento en los hospitales del estado español», Arch Bronconeumol, vol. 40, pp. 259-267, 2004. [6]. A. Himmelmann, «Hypertension: an important precursor of heart failure», Blood. Press, vol. 8, pp. 253–60, 1999. [7] heart. C. Guilleminault, S. J. Connolly, R. Winkle, y A. Tilkian, «Cyclical variation of the rate. in. sleep. apnoea. syndrome.. Mechanisms. and. usefulness. of. 24h. electrocardiography as a screening technique», Lancet, vol. I, pp. 126–131, 1984. [8]. P. C. Deegan y W. T. McNicholas, «Pathophysiology of obstructive sleep apnoea»,. Eur Respir J, vol. 8, n.o 5, pp. 1161-78, 1995..

(45) REFERENCIAS BIBLIOGRÁFICAS. [9]. 35. J. R. Pérez, «Characteristics of the snoring noise in patients with and without sleep. apnea.», Am Rev Respir Dis, vol. 147, pp. 635-644, 1993. [10] E. F. Haponik, «Evaluation of sleep disordered breathing; is polysomnography necessary?», Am J Med, vol. 77, pp. 617-677, 1984. [11] J. Jorquera, «Síndrome de apnea obstructiva del sueño», vol. 32, n.o 2, pp. 83-88, 2007. [12] S. Ancoli-Israel, E. R. DuHamel, C. Stepnowsky, R. Engler, M. Cohen-Zion, y M. Marler, «The relationship between congestive heart failure, sleep apnea, and mortality in older men», vol. Chest, pp. 1400–5, 2003. [13] C. W. Whitney, D. J. Gottlieb, S. Redline, R. G. Norman, R. R. Dodge, E. Shahar, S. Surovec, y F. J. Nieto, «Reliability of scoring respiratory disturbance indices and sleep staging», 1998. [14] E. Leuza, y R. Urquiza, «Polisomnografía convencional. Manual SEPAR de Procedimientos. Módulo 1. Procedimientos de patología respiratoria del sueño y ventilación mecánica no invasiva.», SEPAR, España, 2002. [15] H. C. Zywietz, V. Von, B. Widiger, y G. Joseph, «ECG analysis for sleep apnea detection», Methods Inf Med, vol. 43, n.o 1, pp. 56-59. [16] N. Goldschlager y M. J. Goldman, «Principios de electrocardiografía clínica», México D.F, 1987. [17] A. Guyton, Tratado de Fisiología Médica, McGraw- Hill Interamericana., vol. I. España, 1998. [18] G. Rodas y C. Pedret, «Heart Rate Variability: Definition, Measurement and Clinical Relation Aspects», Medicine Sport University, vol. I, II, 2007. [19] N. S. Murali, A. Svatikova, y V. K. Somers, «Cardiovascular Physiology and Sleep»,. Front. Biosci., vol. 8, pp. 636-652, 2003. [20] M. R. Bonsignore, S. Romano, O. Marrone, M. Chiodi, y G. Bonsignore, «Different heart rate patterns in obstructive apneas during NREM sleep», Sleep, vol. 20, pp. 11671174, 1997..

(46) REFERENCIAS BIBLIOGRÁFICAS. 36. [21] T. Penzel, G. B. Moody, R. G. Mark, A. L. Goldberger, y J. H. Peter, «The apneaECG database», Comput Cardiol, vol. 27, pp. 255–8, 2000. [22] M. J. Drinna, J. Allen, P. Langley, y A. Murray, «Detection of Sleep Apnoea from Frequency analysis of Heart Rate Variability», en Computers in Cardiology, 2000, vol. 27, pp. 259-262. [23] L. Correa Prado, E. Laciar, R. Jané, y A. Torres, «Estudio Comparativo del desempeño de diferentes métodos de estimación de la señal respiratoria a partir del ECG», presentado en 30th Annual International IEEE EMBS Conference, British Columbia, Canada, 2008. [24] S. Canisius y T. Ploch, «Detection of sleep disordered breathing by automatic ECG analysis», presentado en 30th Annual International IEEE EMBS Conference, British Columbia, Canada, 2008. [25] T. Penzel, J. McNames, A. Murray, P. de Chazal, G. Moody, y B. Raymond, «Systematic comparison of different algorithms for apnoea detection based on electrocardiogram recordings», Med Biol Eng Comput, vol. 40, pp. 402–7, 2002. [26] V. S. Behbehani, K. Burk, J. R. Lucas, E. A. Dao, y D. H. Nazeran, «Frequency domain analysis of heart rate variability in sleep disordered breathing», presentado en Proceedings of the 25th Annual International Conference of the IEEE, 2003, vol. 1, pp. 208 – 211. [27] P. Bušek, J. Vaňková, J. Opavskýl, J. Salinger, y S. Nevšímalová, «Spectral Analysis of Heart Rate Variability in Sleep», Physiol. Res., vol. 54, pp. 369-376, 2005. [28] J. N. McNames y A. Fraser, «Obstructive sleep apnea classification based on spectrogram patterns in the electrocardiogram», en Computers in Cardiology, 2000, pp. 749-752. [29] Z. Shinar y A. Baharav, «Obstructive sleep apnea detection based on electrocardiogram analysis», presentado en Computers in Cardiology, 2000, pp. 757-760. [30] M. O. Mendez, A. M. Bianchi, M. Matteucci, S. Cerutti, y T. Penzel, «Sleep apnea screening by autoregressive models from a single ECG lead», Trans Biomed Eng, vol. 56, pp. 2828–50, 2009..

(47) REFERENCIAS BIBLIOGRÁFICAS. 37. [31] P. De Chazal, C. Heneghan, E. Sheridan, R. Reilly, P. Nolan, y M. O’Malley, «Automated processing of the single lead electrocardiogram for the detection of obstructive sleep apnoea», Ieee Trans Biomed Eng, vol. 50, pp. 686–96, 2003. [32] M. O. Mendez, J. Corthout, S. Van Huffel, M. Matteucci, T. Penzel, S. Cerutti, y A. M. Bianchi, «Automatic screening of obstructive sleep apnea from the ECG based on empirical mode decomposition and wavelet analysis», Physiol. Meas., vol. 31, pp. 273– 289, 2010. [33] P. Várady, T. Micsik, S. Benedek, y Z. Benyó, «A novel method for the detection of apnea and hipopnea events in respiration signal», Ieee Trans Biomed Eng, vol. 49, pp. 967983, 2002. [34] B. Yilmaz, «Sleep stage and obstructive apneaic epoch classification using singlelead ECG», Biomed Eng Online, pp. 9-39, 2010. [35] N. Acir y C. Güzelis, «Automatic recognition of sleep spindles in EEG by using artificial neural networks.», Expert Syst. Appl., vol. 27, n.o 3, pp. 451- 458, 2004. [36] Y. Jiang, B. Cukic, y Y. Ma, «Techniques for evaluating fault prediction models»,. Empir. Softw. Eng., vol. 13, pp. 561-595, 2008..

(48) ANEXOS. 38.

(49)