CLASIFICACIÓN AUTOMÁTICA DE EPISODIOS DE APNEA UTILIZANDO CARACTERÍSTICAS DE LA SEÑAL DE AUDIO

Abstract

El síndrome de apnea del sueño es una enfermedad crónica con elevada prevalencia. A pesar de la importancia del diagnóstico temprano, éste se ve retrasado ante las largas listas de espera. Para solventarlo, la tecnología juega un papel importante. En concreto, el uso de técnicas de Machine Learning (ML) ha sido revolucionario en múltiples campos, incluido el de la salud, al permitir buscar patrones en los datos y hacer predicciones que pueden ayudar al equipo médico en la toma de decisiones. Podría ser especialmente útil para la identificación del síndrome de apnea mediante el empleo de audios grabados con un teléfono móvil. El objetivo de este Trabajo de Fin de Grado es usar técnicas de ML para diseñar un modelo que determine si en un fragmento de la señal de audio grabado durante el sueño se produce un episodio de apnea obstructiva del sueño o si se trata de respiración normal. Para ello, se utilizaron algunos registros de la base de datos de acceso libre ¿PSG-AUDIO¿, correspondientes a varones con diagnóstico de síndrome de apnea. Se extrajeron características espectrales y dinámicas, por ser las más empleadas en la clasificación de eventos de audio. Utilizando técnicas de selección de características, se han diseñado modelos lineales, como la Regresión Logística y Support Vector Machine (SVM) lineal, y modelos no lineales, como el árbol de decisión, Random Forest (RF) y SVM no lineal. Los modelos árbol de decisión y RF ofrecen peores prestaciones debido a su baja sensibilidad. El resto de modelos presentan mejores prestaciones y son similares entre sí. Los resultados obtenidos con todos los modelos, salvo el árbol de decisión y RF, son prometedores, alcanzando valores de sensibilidad cercanos o superiores a 0.7 para identificar episodios con apnea obstructiva. Salvo el árbol de decisión y RF, el resto de modelos ofrecen mejor rendimiento al clasificar episodios de apnea frente a episodios de respiración normal. Estos modelos podrían servir al experto clínico como una herramienta intermedia para identificar los intervalos temporales de la señal de audio en los que se han producido eventos de apnea obstructiva del sueño.