Algorithms for Sleep Medicine

Resumen

Los trastornos del sueño afectan a una parte signifiativa de la población, causando problemas que van desde la somnolencia diurna a condiciones severas que amenazan la supervivencia. Afortunadamente, los expertos médicos pueden diagnosticarlos y proponer un tratamiento despules de analizar los datos registrados con un estudio del sueño. El más común de estos estudios es la polisomnografía. Durante el sueño, se registran las señales neurosiológicas del paciente y, posteriormente, las estudian y analizan los expertos. El objetivo es caracterizar la macro estructura y la microestructura del sueño. Comparando la caracterización con las de un sueño normal y los afectados por trastornos, se puede identificar la patología del paciente. El problema de esta aproximación es que la caracterización es una tarea compleja y tediosa, con una duración de horas incluso para el experto entrenado. Indudablemente, la duración de esta tarea limita la capacidad de las unidades de sueño, siendo el principal cuello de botella. En esta tesis desarrollamos algoritmos que analizan las señales automáticamente, solucionando este problema. Evitamos que el tiempo del experto se consuma en el análisis para que lo pueda enfocar en la diagnosis y en la propuesta de tratamiento. Proponemos métodos para la clasificación de las fases de sueño y la detección de eventos de sueño, cubriendo así la caracterización de la macro y microestructura del sueño. También presentamos la validación de uno de nuestros algoritmos, que se utilizó en un entorno real, y la construcción de una API, pensada para facilitar el uso de nuestros algoritmos. En esta tesis utilizamos inteligencia artificial para conseguir nuestras metas. Con extracción de características y aprendizaje máquina detectamos dos eventos de la microestructura del sueño: despertares y husos de sueño. Para el primero también incluimos un método basado en el reconocimiento de patrones. Para la clasificación de las fases del sueño utilizamos modelos de aprendizaje profundo, en concreto redes convolucionales.