Estudo de algoritmos de aprendizado de máquina na predição de apneia do sono por sinais de EEG
Visualizar/ Abrir
Data
2022-02-17Autor
Weirich Junior, Nelson Roberto
Metadata
Mostrar registro completoResumo
Apneia do sono é um distúrbio do sono caracterizado pela obstrução parcial ou total do fluxo
de ar no trato respiratório. Isso leva a redução da oxigenação sanguínea, induzindo ao despertar.
A longo prazo, leva a pessoa a desenvolver outras doenças que afetam sua saúde e bem-estar
social. Contudo, o processo de diagnóstico é conhecido e realizado através de exame de polissonografia,
onde são coletados sinais bioelétricos e fisiológicos do paciente em uma noite de
sono. Analisar sinais bioelétricos é uma tarefa complexa que envolve processamento de sinais;
atualmente existem, porém, ferramentas computacionais no campo da inteligência artificial que
visam auxiliar tal análise. À vista disso, esta pesquisa teve por objetivo estudar uma nova técnica
para predição de apneia do sono, através do processamento de, apenas, sinais de eletroencefalograma
(EEG). Para alcançar tal objetivo, foram utilizados sinais de EEG do banco de dados
de polissonografia, de livre acesso, do Hospital Universitário St. Vincent da Universidade de
Dublin. Esse banco é composto por anotações de exames de polissonografia de 25 participantes
— 21 masculinos e 4 femininos; média de idade 50 (± 10) anos totalizando 25 polissonogramas
(PSGs) de noite completa com dois canais de EEG (C3–A2 e C4–A1). O banco apresenta
também anotações de eventos respiratórios de apneia ocorridos durante o exame. O banco de
dados foi organizado, agrupando, em um só arquivo, os dados de sinais de EEG e as anotações
dos eventos respiratórios. Com esses dados preparados, os sinais foram divididos em bandas de
frequência e extraídos os atributos que os caracterizam, de modo a treinar os modelos de aprendizado
de máquina. O estudo apresentou resultados que revelam a possibilidade de conseguir
identificar apneia do sono apenas com sinais de EEG, facilitando, assim, o processo de análise
e diagnóstico da síndrome. O algoritmo Gradient Boosting, que obteve o melhor desempenho
neste trabalho, apresentou 79,56% de sensibilidade, 90,59% de especificidade e 84,96% de acurácia.
Pensando na continuidade do trabalho, sugere-se aprimorar os modelos gerados, com foco
na seleção de atributos e estudo de outros algoritmos. Por fim, esses estudos podem ser fonte
de recursos para aplicações práticas, como ferramentas de apoio a profissionais em exames e
estudos de apneias do sono.
Coleções
Os arquivos de licença a seguir estão associados a este item: