Algorithms for Sleep Medicine

• Autores: Isaac Fernández-Varela
• Directores de la Tesis: Elena Hernández-Pereira (dir. tes.) , Vicente Moret-Bonillo (codir. tes.)
• Lectura: En la Universidade da Coruña ( España ) en 2019
• Idioma: inglés
• Número de páginas: 147
• Tribunal Calificador de la Tesis: Maria Goreti Carvalho Marreiros (presid.) , Verónica Bolón-Canedo (secret.) , David Martínez Rego (voc.)
• Enlaces
  • Tesis en acceso abierto en: RUC
• Resumen
  • español

    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.

  • English

    Sleep disorders a ect a signi cant part of our population causing problems that go from daytime sleepiness to severe, life-threatening conditions. Fortunately, physicians can diagnose them and propose a treatment after analyzing the data recorded with a sleep study. The most common one is polysomnography. Neurophysiological signals are recorded during sleep and later analyzed by experts. The goal is the characterization of sleep macro and microstructure to compare it against regular and abnormal sleep characterization, leading to the identi cation of several sleep disorders. The problem is that this task is complex and tedious because it involves many data. The analysis of a single patient's night data can take several hours even for an expert. Undoubtedly, this time limits the capacity of sleep centers, being the de facto bottleneck of these medical units. This thesis addresses this problem. The purpose is to develop algorithms that analyze the signals automatically, discharging the responsibility from the expert. Thus, the expert would only expend time in the diagnosis and development of treatment plans. We propose methods for the classi cation of sleep stages and the detection of sleep events. We also present the validation of one of our algorithms and the construction of an API, intended to facilitate the use of our methods. In this thesis, we use arti cial intelligence to meet our goals. With feature extraction and machine learning, we detect two sleep micro-events: arousals and sleep spindles. For the former, we also propose a method using pattern matching. To classify the sleep stages, we mainly rely on deep learning methods

  • galego

    Os trastornos do sono afectan a unha parte importante da sociedade, causando problemas que van dende a somnolencia di urna ata condici ons severas que ameazan a supervivencia. Afortunadamente, os expertos m edicos poden diagnosticalos e propo~ner un tratamento despois de analizar os datos rexistrados nun estudo do sono. O m ais com un destes estudos e a polisomnograf a. Durante o sono, rex stranse os sinais neuro siol oxicas do doente e, posteriormente, os expertos est udanos e anal zanos. O obxectivo e caracterizar a macro e micro estrutura do sono para comparala con caracterizaci ons de referencia, tanto de sono normal como de sono con trastornos. Mediante esta comparaci on p odese identi car a patolox a do doente. O problema desta aproximaci on e que a caracterizaci on e unha tarefa complexa e arida, consumindo varias horas incluso a un experto adestrado. Sen d ubida, a duraci on de esta tarefa dimin ue a capacidade das unidades do sono, sendo o seu l mite principal. Nesta tese desenvolvemos algoritmos que analizan os sinais automaticamente, solucionando este problema. Evitamos que o tempo do experto se consuma no an alise para que o poida empregar na diagnose e na proposta de tratamento. Propo~nemos m etodos para a clasi caci on das fases do sono e a detecci on dos seus eventos, cubrindo as a caracterizaci on da macro e micro estrutura do sono. Tam en presentamos a validaci on dun dos nosos algoritmos, utiliz andoo nun entorno real, e a construci on dunha API, pensada para facilitar o uso dos nosos algoritmos. Nesta tese utilizamos a intelixencia arti cial para conseguir as nosas metas. Con extracci on de caracter sticas e aprendizaxe m aquina detectamos os eventos da microestrutura do sono: despertares e fusos do sono. Para o primeiro evento tam en inclu mos un m etodo baseado no reco~necemento de patr ons. Para a clasi caci on das fases do sono utilizamos modelos de aprendizaxe profunda, en particular redes convolucionais