Ingeniero Civil Eléctrico / Las enfermedades respiratorias son un grupo de enfermedades que afectan, como su nombre lo indica, el sistema respiratorio de las personas. En chile, estas están catalogadas como la tercera gran causa de muerte en Chile [1]. En particular, el Sindrome de Apnea e Hipopnea Obstructiva del Sueño (SAHOS) afecta al 4% de la población adulta [2] [3], y lleva consigo riesgos derivados de que interrumpe el ciclo normal de sueño. El siguiente trabajo plantea el modelamiento de un clasificador que sea capaz de identificar los distintos tipos de episodios respiratorios asociados al SAHOS, apneas de distinto tipo (central, mixta u obstructiva) o hipopnea. Como consecuencia directa, se pretende obtener los sensores más relevantes para construir un polisomnógrafo. Mediante el pre-procesamiento y obtención de datos estadísticos de exámenes de polisomnografía validados por personal médico, posterior entrenamiento y validación de distintos clasificadores; reglas difusas, arboles de decisión, redes neuronales y support vector machine; Se construye un clasificador que agrega un subconjunto de ellos para decidir a qué clase de episodio pertenece cada evento buscando un alto cociente de posibilidades de diagnóstico (DOR). Debido a la complejidad de procesar múltiples datos se plantea utilizar métodos de reducción de variables mediante random forest/tree ensemble, logrando reducir estas a un 10% con una varianza no superior al 22% en la exactitud de los clasificadores respecto al ejercicio realizado con todas las variables. Esto se traduce en proponer una reducción del número de sensores ocupados en un examen polisomnográfico desde más de 20 a un conjunto de 8 que contiene la mayor parte de la información para lo que respecta a la diferenciación de episodios. Estos sensores concuerdan con las señales que son de especial cuidado cuando se estudia el SAHOS. Se logra proponer un clasificador que diferencia entre los distintos episodios, pero no así uno que permita diferenciar entre la presencia o ausencia de estos, debido principalmente al hecho de no contar con una base de datos adecuada, esto último se deduce al comparar el desempeño de los clasificadores al introducir un grupo de control generado con estados de sueño normal de los mismos pacientes. El clasificador construido tiene un índice de acierto de sobre el 70%, con un error del tipo I cercano al 20% y error tipo II cercano 8%, la exactitud de este es sobre el 79% y el DOR superior a 10 para cada tipo de episodio. Debido a la dificultad de conseguir este tipo de exámenes, en parte dado por su costo, tanto monetario como en recursos, no se pudo trabajar con una base de datos extensa. Como trabajo futuro se recomienda realizar estos experimentos con una base de datos que contenga exámenes realizados a personas que no presentan SAHOS, para de esta manera se obtenga una base de datos limpia para caracterizar las diferencias entre un paciente sano y uno enfermo.

Ingeniero Civil Eléctrico / El sueño es un tema que ha tomado mucha fuerza en los últimos años sobre todo por su función neurofisiológica y reparadora. Dentro de los fenómenos fisiológicos más importantes del sueño se encuentra una actividad eléctrica registrada en el EEG (electroencefalograma) llamada Huso Sigma. Este patrón eléctrico se ha asociado por una parte a procesos involucrados en la consolidación de la memoria y por otra a desórdenes tales como retardo mental, hiperkinesia, desarrollo cognitivo, entre otros. Por lo tanto pesquisar y caracterizar este patrón es de suma importancia en el área de la medicina. El objetivo de esta tesis consiste en construir características morfológicas con el fin de caracterizar Husos Sigma y posteriormente detectarlos a través de un sistema de detección automático. Los Husos Sigmas corresponden a trenes de ondas distinguibles de la actividad de fondo del EEG, principalmente notorios en las derivaciones centrales, que comienzan con una baja amplitud, llegan a un máximo y luego decaen, teniendo duraciones típicas entre 0,5 a 2 [s]. El problema de detección consiste en lograr separar entre Husos Sigmas, correspondientes a trozos de señales marcadas por expertos que a su juicio consideran que son Husos Sigmas, de otras marcas hechas por un pre-detector y que no corresponden a Husos Sigmas. Para resolver el problema propuesto se propone un esquema: Descomposición Modal Empírica (EMD por Empirical Mode Decomposition en inglés) - detector de zonas - Matching Pursuit (MP). La EMD permite aislar la componente fusiforme que se busca caracterizar mediante MP en las zonas detectadas por el detector de zonas. El algoritmo MP se encuentra equipado con un diccionario de wavelets Morlet, cuya función es describir de manera sucinta cuando se trata de HS y de manera más compleja cuando se trata de no-HS. La creación del diccionario se hace en base a características extraídas del detector de zonas aplicado previamente. Luego de aplicar el método propuesto se extraen características basadas en el comportamiento morfológico de la componente seleccionada. Tras generar estas características se entrena una Máquina de Soporte Vectorial (SVM por Support Vector Machine en inglés) empleando un kernel Gaussiano. Los SVM se calibran para cada experimento realizado. El funcionamiento del sistema, considerando un largo mínimo del detector de zonas de 0,3 [s], es revisado en el punto de operación TVP=80% y FPR=30%. TVP significa tasa de verdaderos positivos y FPR tasa de falsos positivos. De este análisis se concluye que la aproximación morfológica es buena, sin embargo el método opera de manera similar en varios HS y no-HS. Realizando un análisis entre las características basado en información mutua se concluye que gran parte de la información se encuentra contenida en 3 características; sin embargo el desempeño de ocupar estas tres características en algunos puntos de operación se diferencia bastante con respecto al desempeño de un sistema que emplea todas las características creadas. Finalmente se sugieren nuevos pasos a seguir con el fin de mejorar el sistema propuesto.

El objetivo de este trabajo de tesis fue desarrollar un sistema de detección automática y de caracterización de patrones Husos Sigma (HS) en registros polisomnográficos de niños sanos, sin la necesidad del conocimiento previo de la evolución temporal de los estados y etapas de sueño durante la noche (hipnograma). La identificación automática de patrones de sueño permite una adecuada clasificación de los estados y etapas de sueño, y además se asocian con procesos fisiológicos importantes tales como: normal desarrollo del sistema nervioso central, consolidación de la memoria y plasticidad cerebral. Los HS son uno de los más característicos patrones del EEG durante el sueño, y su aparición marca el inicio de la etapa de sueño quieto 2 (SQ 2). Se definen como trenes de ondas de frecuencia en la banda sigma (10 a 16 Hz) con una duración típica de 0,5 a 2 s, caracterizados por un aumento progresivo de la amplitud sucedido por un descenso gradual de ésta (forma de huso), y normalmente montados sobre ondas más lentas y de mayor amplitud. El sistema de detección desarrollado incorpora técnicas de procesamiento avanzado de señales: descomposición modal empírica (EMD), transformada de Fourier (FFT) y transformada de Hilbert-Huang (HHT), las cuales proveen una adecuada resolución temporal y frecuencial para el análisis del EEG. Además aplica lógica difusa y criterios morfológicos y de duración para emular el procedimiento que realiza el experto en sueño durante la inspección visual de patrones HS. El detector de HS puede ser descrito como un sistema de análisis modular en cascada de 4 módulos, en que se va refinando la detección y precisión del sistema a medida que se avanza en los módulos. El Módulo 1 realiza un estudio del polisomnograma para determinar zonas de análisis compatibles con la presencia de HS en las cuales centrar la detección de candidatos HS. El Módulo 2 utiliza la EMD, la FFT, la HHT y criterios difusos y expertos sobre las zonas del EEG de análisis definidas por el Módulo 1 para la generación de candidatos HS de primera pasada (HSc1). El Módulo 3 es una etapa de eliminación de candidatos basado en características estadísticas de los HSc1: amplitud, frecuencia, simetría y duración; generando los candidatos HS de segunda pasada (HSc2). El Módulo 4 refina el análisis utilizando criterios de duración y de entorno, generando la salida final del sistema, que es la posición inicial y final de cada HS identificado a lo largo del registro EEG. Se construyó una base de datos con 56 registros polisomnográficos de sueño nocturno de niños para la implementación, ajuste, selección y prueba del sistema. La base de datos fue dividida en los conjuntos de entrenamiento: 27 registros, 216 hrs duración y 48.669 HS marcados, validación: 10 registros, 80 hrs duración y 22.443 HS marcados y prueba: 19 registros, 152 hrs duración y 40.412 HS marcados. Los eventos HS fueron marcados por expertos en sueño mediante inspección visual, y estas marcas fueron utilizadas como ground truth para evaluar el desempeño del sistema. Los resultados para el conjunto de prueba en los registros completos de sueño nocturno muestran un 88,2% de sensibilidad, 89,7% de especificidad y una tasa de FP de 11,9%. Considerando sólo los segmentos de SQ 2 en el conjunto de prueba, los resultados mejoran, mostrando un 92,2% de sensibilidad, 90,1% de especificidad y una tasa de FP de 8,9%. En general, el sistema desarrollado presenta resultados muy buenos, los que son comparables con los mejores resultados mostrados en la literatura. Esto es especialmente cierto en los segmentos de SQ 2 donde se obtuvieron los mejores resultados en todos los indicadores estudiados. Además, el sistema no requiere de la generación previa del hipnograma por parte del experto en sueño evitando esta tarea que consume mucho tiempo y requiere de un gran esfuerzo. El sistema implementado se encuentra entre los de mejor rendimiento y es el sistema aplicado sobre la base de datos marcada más grande utilizada en detección de HS en niños hasta la fecha. Por otro lado, el algoritmo es parte integral del sistema Sleep-Analyzer desarrollado como una herramienta de apoyo al trabajo de investigación de los especialistas en sueño.

Made available in DSpace on 2016-01-26T12:51:26Z (GMT). No. of bitstreams: 1 carolinegabrielemarques_tese.pdf: 1078800 bytes, checksum: 0c7b0504e85857d877828a3f432fe74e (MD5) Previous issue date: 2006-09-25 / This study aims to identify associated characteristics of craniofacial skeletal and pharyngeal soft tissues, in lateral cephalometric teleradiography and their possible association with clinical and polyssonographic findings, observing anatomical areas which most influenced the upper airway obstruction. To evaluate a predicting cephalometric pattern for Sleep Apnea Hipopnea Obstructive Syndrome (SAHOS), a sample of 40 subjects was divided into two experimental groups: patients with mild to moderate and severe SAHOS, previously submitted to polyssonographic study, according to their Apnea or Hipopnea Índex (AHI), comparing them with a control group, 10 subjects, with no sleep disorder. The first experimental group had an AHI=15 <30 (moderate sleep apnea). The second group, an AHI> or = 30 (severe sleep apnea). After the results and the statistical methods used to compare the different studied groups, the conclusion was that the SAHOS patients when compared with the control group presented: some positional alterations in their skeletal anatomical structures, mainly a lowering of the hyoide bone in relation to the cervical vertebrae; mandilbular retrusion, increased dimensions of the pharyngeal soft tissues, increased length and width of the soft palate with a decrease of the posterior and superior airway space. / O propósito deste estudo é identificar associação entre as características craniofaciais esqueletais e de tecidos moles em telerradiografias cefalométricas laterais com os dados clínicos e polissonográficos, verificando as áreas anatômicas que mais contribuem para a obstrução das vias aéreas superiores nos pacientes com Síndrome da Apnéia Hipopnéia Obstrutiva do Sono (SAHOS). Para avaliar se existe um padrão cefalométrico previsível para a Síndrome da Apnéia Hipopnéia Obstrutiva do Sono, foram comparadas as diferenças das médias das dimensões esqueléticas craniofaciais e dos tecidos moles da faringe, em norma lateral, de uma amostra de 40 indivíduos, divididos em 2 grupos-teste, com da Síndrome da Apnéia Hipopnéia Obstrutiva do Sono Moderada e Síndrome da Apnéia Hipopnéia Obstrutiva do Sono Grave, previamente submetidos ao estudo polissonográfico e um grupo controle de 10 indivíduos sem a doença. Pertenciam ao primeiro grupo teste os pacientes com Índice de Apnéia e Hipopnéia (IAH) > 15 < 30 (apnéia do sono moderada) e ao segundo grupo teste os pacientes com Índice de Apnéia e Hipopnéia (IAH) &#8805; 30 (apnéia do sono grave). Diante dos resultados obtidos e após a aplicação dos métodos estatísticos usados para comparação dos diferentes grupos estudados, concluiu-se que os pacientes apnéicos quando comparados com o grupo controle apresentaram: alterações no posicionamento das estruturas anatômicas esqueletais, principalmente um posicionamento inferior do osso hióide em relação às vértebras cervicais, retrusão mandibular, dimensões aumentadas dos tecidos moles faringeanos, aumento no comprimento e largura do palato mole com diminuição do espaço aéreo póstero-superior.