Seleção e classificação automática de sinais de polissonografia para ferramenta de auxílio a diagnóstico de distúrbios de sono

Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade UnB Gama, 2016.A análise sistemática de características fisiológicas específicas constitui a base para estudos avançados do sono e para a determinação de quais hábitos, distúrbios e patologias afetam negativamente o ciclo do sono. Para um melhor entendimento da qualidade do sono, se faz necessária uma análise acerca do comportamento de sinais polissonográficos nos diferentes estágios de sono, coletados a partir de um exame médico. Os sinais polissonográficos mais comuns incluem o Eletroencefalograma (EEG), Eletrocardiograma (ECG), Eletromiograma (EMG), Eletrooculograma (EOG) e o sinal de respiração. Estudos comprovam que o sinal de EEG apresenta características bem definidas em todos níveis de sono, sendo assim a principal variável polissonográfica. Em contrapartida, o processo de aquisição desse tipo de sinal requer uma mudança de contexto que pode afetar a qualidade de sono habitual do indivíduo em questão. Nesse sentido, esse trabalho propõe avaliar subconjuntos específicos de sinais, contendo ou não o EEG, na finalidade de alcançar resultados comparáveis ao padrão ouro de classificação automática de níveis de sono na restrição desse sinal. Foram utilizados dois tipos de técnicas de classificação nos testes realizados, sendo uma delas a Máquina de Vetores de Suporte (SVM, do inglês - Support Vector Machine), um classificador binário do tipo supervisionado que apresenta um bom desempenho na literatura quando se trata de um baixo número de exemplos de treinamento comparados ao número de características. A outra técnica usada foi o classificador do tipo Ensemble em duas variantes, o Adaboost e o Robustboost, ambas conhecidas como classificadores multiclasse, que fazem o uso de vários algoritmos de aprendizagem combinados entre si. Foram então definidos três subconjuntos de sinais que seriam utilizados nos três classificadores propostos, em dois cenários de classificação: discretização de 5 níveis de sono e 3 níveis de sono, totalizando 18 testes principais a serem realizados. Para isso, cada sinal passa por um algoritmo próprio de extração de características, onde são extraídos seus parâmetros mais relevantes para essa aplicação. Para validação, essa metodologia foi aplicada a 8 horas de sinais de polissonografia do participante SHHS1-200070 do banco de dados Sleep Heart and Health Study. Resultados preliminares gerados a partir da classificação entre 2 níveis de sono somente com o EEG e a SVM apresentaram taxas de acerto de 91.16% a 96.83% na classificação entre vigília e estágio 3 para um indivíduo. Já os resultados obtidos a partir de classificações feitas com o Ensemble Adaboost, somente com o EEG, atingiram uma ordem de 86% no cenário de classificação de 5 níveis de sono e 93% para o cenário de 3 níveis de sono, enquanto que a SVM produziu uma taxa de acerto de 50% em média para os casos analisados. Na utilização dos subconjuntos 2 e 3 de sinais, que excluem o EEG, o Ensemble Adaboost atingiu taxas de acerto da ordem de 83% na classificação de 5 níveis e 90% para 3 níveis, estabelecendo um padrão de queda de aproximadamente 3% de acerto na restrição desse sinal. Esses resultados sugerem que o sinal de EEG pode de fato ser desconsiderado na classificação de estágios de sono, desde que utilizados o algoritmo Adaboost e os sinais do subconjunto 3. Além disso, a SVM não apresentou resultados comparáveis ao Ensemble, o que contrasta com alguns resultados encontrados na literatura na área de Engenharia Biomédica. Isso sugere que esse classificador apresenta melhor desempenho para essa aplicação, ao custo de um maior esforço computacional. Na próxima etapa da pesquisa, os autores pretendem estender essa metodologia para o contexto de treinamento dos classificadores a partir de dados de múltiplos participantes para classificação de sinais de outros participantes. O objetivo é observar se o sistema de classificação pode ser pré-treinado para um novo participante ou se deve ser treinado individualmente para cada usuário.The systematic analysis of specific physiological traits is the basis for advanced studies of sleep and for determining which habits, disorders and pathologies negatively affect the sleep cycle. To better understand quality of sleep, it becomes necessary to have analysis regarding the behaviour of polysomnographic signals, acquired from medical examinations, in all the different stages of sleep. The most commonly used polysomnographic signals include the Electroencephalogram (EEG), Electrocardiogram (ECG), Electromyogram (EMG), Electrooculogram (EOG) and the respiration monitoring signal. Studies show that the EEG signal presents well defined characteristics in all stages of sleep, making it the main polysomnographic variable. However, the process of acquisition of this signal often requires a change in context that can affect the habitual quality of sleep of the analysed individual. In that regard, this study proposes to evaluate specific subsets of signals, some with and some without EEG, with the goal to achieve results that are comparable to the golden standard of automatic classification of sleep stages, even when restricting this signal. Two major classification algorithms were used for the proposed tests, one of which is Support Vector Machine (SVM), a binary supervised classification algorithm that typically shows good performance when dealt with a small number of training examples compared to the number of characteristics. The other technique used was the Ensemble algorithm, both in the Robustboost and the Adaboost variants, which are known as multi-class classifiers and make use of various small classification algorithms combined. Three subsets of signals were then defined and used with these three classification algorithms, for two scenarios of classification: discretization of 5 stages of sleep and 3 stages of sleep, making a total of 18 main tests to be performed. To do so, each signal had to go through a unique process of extraction of characteristics, in which their parameters most relevant to this application were extracted. For validation, this methodology was applied to 8 hours of polysomnographic signals from participant SHHS-200070 of the Sleep Heart and Health Study. Preliminary results generated from the classification of 2 stages of sleep, using only the EEG signal and SVM, yielded a general accuracy of 91.16% to 96.83% in classifying between wakefulness and stage 3 for a given individual. The results obtained from classification performed by Ensemble Adaboost, using only EEG, reached an order of 86% when classifying 5 stages of sleep and 93% when classifying 3 stages of sleep. The SVM algorithm, however, only reached an accuracy of 50% on average, for both of these cases. When using subsets 2 and 3, which exclude the EEG signal, Ensemble Adaboost achieved general accuracy rates in the order of 83% for the classification of 5 stages of sleep and 90% for 3 stages, establishing a pattern of degradation of approximately 3% of accuracy when restricting this signal. These results suggest that the EEG signal can in fact be ignored in sleep stage classification when the Ensemble Adaboost and subset 3 are used. Furthermore, SMV did not yield results comparable to the Ensemble counterparts, which contrasts with some results found in other Biomedical Engineering studies. This suggests that, in exchange for higher computational cost, these classifiers yield better results for this application in particular. For the next stage of the research, the authors intend to extend this methodology into training these classifiers with multiple participants in order to classify the signals from other participants. The goal is to observe whether or not the classification system can be pre-trained for a new participant, as opposed to training it for each individual user