Classificação dos estágios do sono por meio de sinais de polissonografia com auxílio de algoritmos de aprendizagem de máquina e processamento de sinais

Abstract

Uma das grandes razões para a incidência de graves problemas de saúde na atualidade são os distúrbios do sono. Alguns dos impactos destes na saúde vão desde a perda de produtividade nas atividades diárias até a incidência de obesidade. Hoje, a Polissonografia (PSG) é considerada um método padrão de alta qualidade para diagnósticar diversos distúrbios do sono. Contudo, o processo de diagnóstico destes distúrbios utilizando PSG é um trabalho exaustivo, uma vez que são necessárias anotações de especialistas durante a gravação dos sinais fisiológicos do paciente, que em muitos casos dura mais do que 6 horas. Além disso, a classificação dos estágios do sono por meio de anotações de especialistas requere que o mesmo defina um padrão de estágios cerebrais baseado em frequências de ondas mostradas no PSG para então realizar as anotações, tornando o processo de classificação de maneira manual trabalhoso. Como alternativa, há métodos sugeridos na literatura utilizando modelos de algoritmos de aprendizagem de máquina para classificação dos estágios do sono, facilitando assim o processo de diagnóstico de distúrbios relacionados a este estado fisiológico. Desenvolvimentos recentes presentes na literatura demonstram uma acurácia de 80% a 95% utilizando algoritmos de aprendizagem de máquina na classificação de estágios do sono, a depender do número de pacientes estudados e da técnica utilizada. Este trabalho propõe estudar e analisar algoritmos de aprendizagem de máquina para classificação de estágios de sono utilizando processamento de sinais de PSG de diferentes pacientes e seguindo os padrões da American Academy of Sleep Medicine (AASM) com valores pré-definidos para cada estágio de sono. A metodologia utilizada para desenvolver o algoritmo é descrita neste documento, tal como a avaliação de desempenho do modelo gerado pelo algoritmo de aprendizagem de máquina utilizando a técnica de árvore de decisão e random forest, mostrando que o modelo desenvolvido consegue alcançar um desempenho semelhante ao presente na literatura.