Alumna investigadora: Victoria Pacho Velasco
Centro: Grupo de Ingeniería Biomédica de la UVa
Profesores/tutores: Roberto Hornero Sánchez y Gonzalo César Gutiérrez Tobal
Tareas realizadas:
El contenido de este proyecto se ha centrado en desarrollar y evaluar nuevas técnicas automáticas de detección de spindles en niños basadas en técnicas de inteligencia artificial (machine learning). Para llevar a cabo este trabajo, ha sido necesaria una amplia documentación acerca de las fases del sueño, profundizando en ondas cerebrales conocidas como spindles. Un paso más que ha ayudado al desarrollo del proyecto ha sido realizar varios cursos impartidos por “Coursera”. En concreto se han realizado cursos orientados a la introducción en programación Python y en machine learning.
Para poder aplicar todos estos conocimientos y con el objetivo de realizar un análisis de estas oscilaciones, ha sido necesario contar con una de las técnicas más utilizadas dentro de los estudios del sueño, el electroencefalograma (EEG). En particular, para estas prácticas, se ha trabajado con el canal C3 de varios EEG de niños entre 6 y 9 años proporcionados por el Hospital Universitario Río Hortega de Valladolid.
Tras hacer el preprocesado de la señal adecuado, se ha dividido la señal en segmentos y para cada uno de ellos se han calculado diversas características, tanto en tiempo como en frecuencia para caracterizar los spindles, como son: la media, el valor cuadrático medio, potencias absolutas y relativas, densidades espectrales, entre muchas otras.
Por último, después de separar las características en los grupos de validación y test se han normalizado y se ha implementado un algoritmo de random forest gracias al cual se obtendrá una salida que clasificará los datos de entrada en función de si se ha detectado un spindle o no.
Objetivos alcanzados:
Tras la realización de todo este proyecto se ha conseguido diseñar un modelo de detección de spindles del sueño en niños con sospecha de apnea del sueño con muy buenas prestaciones. Se han logrado exactitudes de hasta el 93.13% con sensibilidades de 97.42% y especificidades del 93.09%. Este modelo resulta muy útil ya que prácticamente se detectan todos los spindles presentes e el electroencefalograma (EEG). El único problema resaltable es que se obtiene un alto número de falsos positivos debido a que la base de datos que se ha utilizado no es lo suficientemente grande y esto provoca un desequilibrio entre las clases spindle y no spindle.
Sectores de aplicación:
Ingeniería Biomédica, Medicina (Apnea del sueño y análisis de señales polisomnográficas).
Metodología utilizada:
Para el desarrollo de este proyecto se ha utilizado principalmente la herramienta de programación Python. Gracias a ella se ha podido segmentar la señal y extraer para cada segmento las características necesarias para posteriormente entrenar al modelo de random forest y conseguir las predicciones. También se ha utilizado la herramienta MATLAB principalmente para realizar el preprocesado de la señal del EEG.
