Uploaded by Julian Andres Gonzalez Serrano

lab3 psim

advertisement
1
Procesado de Señales e Imágenes Médicas:
Laboratorio 3
Julian Andres Gonzalez Serrano (2160007) , Ana Maria Lopez Rodriguez (2139609)
Resumen—El cerebro es considerado la herramienta más
avanzada, es un órgano que se encarga de la actividad del sistema
nervioso, este se encarga de supervisar y regular procesos inconscientes del cuerpo como la digestión y respiración. Ya que es un
órgano tan importante y complejo existen diversos mecanismos
de exploración neurofisiológicas y su correcto funcionamiento,
una de las más usadas es la electroencefalografı́a que se basa en
el registro de la actividad bioeléctrica del cerebro normalmente
en condiciones de vigilia, reposo y sueño. En esta práctica de
laboratorio se estudiará y diseñará un algoritmo de detección
de las etapas de sueño REM Y NREM para ello se realiza una
etapa de preprocesamiento de la señal, una de extracción de
caracterı́sticas y finalmente una de clasificación, posteriormente
el algoritmo es probado en 5 registros de la base de datos
s MIT-BIH Polysomnographic Database (slpdb) de PhysioNet.
Consiguiendo una sensibilidad del 54
I.
M ARCO TE ÓRICO
Habitualmente la clasificación de las fases del sueño es
realizada por expertos del sueño de manera manual, basándose
en señales PSG (Polisomnograma), la cual consististe en el
registro de la actividad cerebral, electrooculograma, respiración, ritmo cardiaco, actividad muscular y niveles de oxı́geno
de la sangre mientras una persona duerme. Sin embargo, esto
requiere mucho tiempo, recientemente se han mejorado los
sistemas utilizados como clasificadores automáticos, a continuación, se mencionarán algunos de estos sistemas, en 1994
Rico Brieva implementó un sistema en que se usan modelos
estadı́sticos y redes neuronales como métodos y algoritmos
de clasificación de las etapas del sueño, esta clasificación
se realiza dependiendo de las caracterı́sticas observadas en
las señales. En 2009 Fraiwan, Khaswaneh y Lweesy usarón
“Wavelet packet decomposition” (WVD) utilizando solo una
señal de EEG. En 2012 Miguel López crea un software para
el estadiaje automático del sueño, el cual basa su clasificación
automática en el uso de extracción de caracterı́sticas extraı́das
de las señales de EEG y EOG, las variables que calcula son, la
densidad espectral de potencia por el método de periodograma
de Welch y los coeficientes de la descomposición con wavelet
y wavelet packed obtenidos de la señal EEG, ası́ como la
media y la desviación estándar de la señal EOG por épocas.
Y se aplican tres métodos de clasificación los cuales son
redes neuronales artificiales, máquinas de vectores de soporte
y análisis discriminante lineal. [3] [1] [2]
I-A.
Conformación de la base de datos
La base está conformada por los datos que se obtuvieron
de 16 sujetos con sı́ndrome de apnea del sueño. Las señales
fisiológicas incluyen electroencefalograma, electromiograma,
electrooculograma, presión sanguı́nea invasiva, onda respiratoria, saturación de oxı́geno y volumen cardı́aco medido por el
método VEST. Se hizo una selección de 16 datos de PSG de
60 sujetos masculinos con o sin sı́ndrome de apnea del sueño.
La edad media de los sujetos fue de 40 con un rango entre 32
y 56 años. [4]
II.
D ISE ÑO DE ALGORITMO
Las etapas que conforman el algoritmo se describen a
continuación:
Preprocesamiento: En esta etapa a la señal se le aplican
dos filtros pasa banda, cada filtro solo deja pasar las
frecuencias de una onda que caracteriza la etapa de
sueño. Para caracterizar la etapa de sueño NREM se
utilizo una banda de 0.5Hz a 2Hz, que representa a la
onda theta y para caracterizar la etapa de sueño REM se
utilizó una banda de 2Hz a 6Hz que representa las ondas
de sierra.
Extracción de caracterı́sticas: La caracterı́stica que se
uso fue la energı́a de la señal, que en etapas de sueño
NREM deberı́a ser mayor en la señal resultante al aplicar
el filtro de 0.5Hz a 2Hz, y menor en la señal resultante
al aplicar el filtro de 2Hz a 6Hz. Para etapas de sueño
REM la energı́a se debe comportar de forma inversa a lo
descrito anteriormente.
Clasificación: Para hacer la clasificación se uso la diferencia entre la energı́a de la señal al aplicar el filtro
para la banda de ondas de sierra y la energı́a de la señal
al aplicar el filtro para banda theta. Finalmente, si la
diferencia es mayor que cero la persona esta en etapa
de sueño REM, y si es menor que cero se encuentra en
etapa de sueño NREM.
III.
R ESULTADOS
Para evaluar el desempeño del algoritmo se utilizaron 5
señales de EEG provenientes la base de datos de polisomnografı́a de physionet (slpdb). Cada señal se analizo en ventanas
de 30s y la clasificación dada por el algoritmo se comparo con
las anotaciones. Para dicha comparación cabe mencionar que
se eliminaron las ventanas en las cuales el paciente estaba en
estado de vigilia.
Los resultados de la comparación se clasificaron en 4
categorı́as:
Verdaderos positivos.
Verdaderos negativos.
Falsos positivos.
Falsos negativos.
2
En el cuadro I se muestran el numero de ventanas clasificadas
en cada una de las categorı́as anteriores por cada señal
utilizada.
Cuadro I
C LASIFICACI ÓN DE LAS VENTANAS ANALIZADAS EN 4 CATEGOR ÍAS :
V ERDADEROS POSITIVOS , V ERDADEROS NEGATIVOS , V ERDADEROS
NEGATIVOS , FALSOS NEGATIVOS
Categorı́a
señal 1
señal 2
señal 3
señal 4
señal 5
Verdaderos positivos
0
53
32
24
0
Verdaderos negativos
201
303
521
405
275
Falsos positivos
31
53
13
121
19
Falsos negativos
0
39
48
7
0
Los verdadero positivos se definen como las ventanas que
según las anotaciones el sujeto se encuentra en estado se
sueño REM, y el algoritmo la clasifica como REM. De forma
similar los verdaderos negativos son las ventanas que según
las anotaciones la persona se encuentra en la etapa de sueño
NREM (N1, N2, N3 o N4), y el algoritmo la clasifica como
NREM. Por otro lado, los falsos positivos son las ventanas
que el algoritmo clasifica como REM, pero en las anotaciones
el paciente se encuentra en estado de sueño NREM y análogamente los falsos negativos son las ventanas que el algoritmo
clasifica como NREM, pero en las anotaciones la persona se
encuentra en estado de sueño REM. Finalmente, con los datos
de la tabla 1 se calcularon 3 estimadores estadı́sticos, para
determinar que tan bueno es el algoritmo:
Sensibilidad.
Especificidad.
Exactitud.
Estas métricas se exponen en el cuadro II.
Cuadro II
E STIMADORES ESTAD ÍSTICOS PARA DETERMINAR EL RENDIMIENTO DEL
ALGORITMO
Estimador
%
Sensibilidad
54.4 %
Especificidad
87.7 %
Exactitud
84.67 %
IV.
A N ÁLISIS
Basándonos en los resultados presentados en la tabla 1, más
especı́ficamente en el porcentaje de especificidad el algoritmo
tiene buenos resultados, ya que de 100 personas en etapa de
sueño no NREM, es capaz de clasificar correctamente 87. Por
otro lado, si nos fijamos en la sensibilidad el algoritmo no
tiene un buen rendimiento, ya que solo es capaz de clasificar
el estado de sueño REM alrededor de la mitad de las veces,
lo cual es muy cercano al azar. Esto ultimo puede ser debido
a diferentes causar, que se mencionaran a continuación:
Hacer el análisis usando solo una señal de la polisomnografı́a (EEG).
Utilizar solo una caracterı́stica (Energı́a).
Las bandas de frecuencia utilizadas para discriminar entre
etapas de sueño.
Para futuros trabajos proponemos el uso de la transformada
de Wavelet, para mejorar el rendimiento del algoritmo, ya que
este método de análisis se basa se cambios de amplitud y
frecuencia, y esto es útil para identificar los cambios de etapas
de sueño.
V.
C ONCLUSIONES
El algoritmo es más sensible a determinar el estado de
REM frente al de NREM.
La caracterı́stica escogida para la caracterización de la
señal no logró ser lo suficientemente robusta para obtener
una buena sensibilidad, lo cual significa una cantidad
mayor de caracterı́sticas harı́a al algoritmo más exacto
R EFERENCIAS
[1] L Fraiwan, N Khaswaneh, and K Lweesy. Automatic sleep stage scoring
with wavelet packets based on single eeg recording. World Academy of
Science, Engineering and Technology, 54:485–488, 2009.
[2] Miguel Angel López Martı́n. Software para estadiaje automatizado del
sueño. PhD thesis, Universidad Central”Marta Abreu”de Las Villas, 2012.
[3] Jorge Eduardo Brieva Rico. Clasificación automática de los estados de
sueño en estudios polisomnográficos. PhD thesis, Uniandes, 1994.
[4] Ichimaru Y and Moody GB. Development of the polysomnographic
database on cd-rom. Psychiatry and Clinical Neurosciences, pages 175–
177, 1999.
Download