DETECCIÓN DE EVENTOS CEREBRALES EN SEÑALES EEG REGISTRADAS POR UN DISPOSITIVO WEARABLE DURANTE EL SUEÑO, UTILIZANDO TÉCNICAS DE INTELIGENCIA ARTIFICIAL

Abstract

El sueño es un proceso fisiológico esencial cuya alteración puede tener consecuencias negativas para la salud física y mental. Entre estas repercusiones, aparecen los trastornos del sueño, cuyo diagnóstico se lleva a cabo a partir del estudio de las fases del sueño mediante electroencefalografía. Entre las técnicas más usadas para el registro de electroencefalogramas (EEG), y el posterior estudio de las fases del sueño, destacan el EEG de cuero cabelludo y pruebas algo más complejas como la polisomnografía. Sin embargo, estos métodos tradicionales presentan limitaciones en cuanto a comodidad y duración del registro. En este contexto, los dispositivos wearables de EEG de oído están apareciendo como una alternativa prometedora, pues pueden ser correctamente utilizados por el paciente sin alterar o perjudicar las actividades de su vida diaria. Este trabajo tiene como objetivo principal procesar señales de EEG obtenidas con un dispositivo wearable y desarrollar modelos de clasificación que permitan detectar eventos cerebrales asociados a las fases del sueño. Los objetivos específicos incluyen el preprocesamiento de señales y etiquetas, la extracción y selección de características, y la evaluación de modelos de inteligencia artificial. Con respecto a la metodología seguida para el desarrollo del proyecto se utiliza una base de datos pública obtenida en Kaggle que contiene los registros de EEG de oído. Primeramente, se realiza el preprocesamiento de los datos para su posterior tratamiento, junto a una representación gráfica de diferentes parámetros para comprobar que este proceso se ha realizado correctamente. A continuación, se procede a la extracción de características de diferentes dominios (tiempo-frecuencia, no lineales, de entropía y frecuencia) y al diseño de varios métodos de selección¿ filter, wrapper y embedded ¿que ayuden a encontrar las características más relevantes para entrenar los modelos. Finalmente, se diseñan y entrenan diferentes modelos de clasificación, centrándose en modelos de machine learning de aprendizaje supervisado y en la búsqueda de los mejores hiperparámetros utilizando validación cruzada. El entrenamiento se realiza combinando diferentes modelos de clasificación, métodos de selección de características y número de clases a clasificar. La evaluación de estos modelos se efectúa sobre distintas figuras de mérito, centrándose en la tasa de acierto (accuracy) y la sensibilidad. Por último, los resultados muestran que la mejor combinación es la formada por el Modelo Gradient Boosting- Método Filter ¿ 2 clases para la normalización z-score, ya que con esta se consiguen las mejores prestaciones (accuracy = 0.867). Por otro lado, se comparan las características seleccionadas por distintos métodos y se concluye que tanto el número como cuáles son las características escogidas difiere mucho en función del método. Por todo esto, cabe destacar que a partir de los modelos de clasificación diseñados y a través del registro de EEG de oído se pueden obtener características específicas de diferentes eventos cerebrales asociados a las fases del sueño y, por tanto, estadificar las mismas, siendo la clasificación más certera la que separa el sueño REM del No REM.