Sleep analysis through electroencephalogram cyclic alternating pattern a phase detection

Sleep deprivation leads to a raise in mortality and other unwanted con sequences, as such, the diagnosis of sleep conditions is crucial for medicine. Sleep is a complex physiological process which is subdivided into different stages of deepness. A more detailed analysis of sleep reveals that events may occur that indicate an abrupt change in the brain electrical activity. Cyclic alternating pattern is a repetitive pattern associated with sleep instability that can be detected by analysing bodily signals. This can contribute to the detection of sleep disorders such as obstructive sleep apnea, using the cyclic alternating pattern as an indicator of such conditions. These cycles tend to be hard and slow to manually identify due to the fact that extensive analysis of long recordings of physiological signals by professionals is required. So, the automatic detection of such patterns is necessary. This can be achieved using Machine Learning algorithms such as neural networks that use pa tient data to train a model that can later recognize patterns within the sleep structure. In this work features extracted from the patient electroencephalo graphic signal are used by the classifier to learn how to identify the cycles. The classification results were improved by making use of methodologies such as feature selection and model tuning. The final solution presents very good results, obtaining an accuracy of 73%, a sensitivity of 77% and a specificity of 74%.A privação do sono leva a um aumento da mortalidade e as outras situa ções indesejadas, logo, o diagnóstico de condições médicas relacionadas com o sono é crucial para a medicina. O sono é um processo fisiológico complexo que é subdividido em diferentes fases de profundidade. Uma análise mais de talhada do sono revela que podem ocorrer eventos que indicam uma mudança repentina na atividade elétrica cerebral. O padrão alternante cíclico é um padrão repetitivo associado à instabilidade do sono e que pode ser detetado através da análise de sinais fisiológicos. Esta análise pode contribuir para a deteção das doenças do sono como a apneia obstrutiva, usando o padrão alternante cíclico como um indicador das mesmas. Estes ciclos tendem a ser difíceis e lentos de identificar manualmente devido ao fato de que é necessária uma análise de longos registos de sinais fisiológicos por parte de profissionais. Portanto, a deteção automática destes padrões é necessária. Isto pode ser feito utilizando algoritmos de aprendizagem automática como as redes neu ronais, que, utilizando dados de pacientes para treinar um modelo, poderão reconhecer os padrões dentro da estrutura do sono. Neste trabalho, foram extraídas features do sinal eletroencefalográfico de cada paciente para serem utilizadas pelo classificador com o objetivo de identificar estes ciclos. Os resultados da classificação foram melhorados utilizado metodologias como a seleção de features e a otimização do modelo. A solução final apresentou muito bons resultados conseguindo obter uma exatidão de 73%, uma sensi bilidade de 77% e uma especificidade de 74%