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.