Development of a neural network-based biomedical interface for monitoring and alerting sleep apnea through EEG signal processing in neonates

Abstract

La apnea del sueño (AS) es una de las causas más comunes de muerte en neonatos debido a su sistema respiratorio inmaduro y la falta de investigación en el país. En respuesta a esta problemática de salud crítica, este proyecto de investigación pretende desarrollar una interfaz biomédica basada en redes neuronales integradas para detectar automatizada apnea del sueño en neonatos usando señales EEG. Al centrarse en mejorar el diagnóstico y la intervención temprana, el estudio aprovecha técnicas de aprendizaje automático para lograr una alta precisión en la detección. Se recopiló y preprocesó un conjunto de 1,110 datos de señales EEG de neonatos para entrenar y validar el modelo de red neuronal. Se implementaron técnicas robustas de preprocesamiento de señales, incluyendo un filtro pasabanda IIR Butterworth, que permitió reducir el ruido y eliminar artefactos. Posteriormente, las señales se descompusieron en sub-bandas, desde gamma hasta delta, y se aplicó la Transformada Rápida de Fourier para extraer características como entropía, energía y varianza, transformando los datos en señales de superficie relevantes para los patrones de apnea del sueño. Se utilizó un clasificador de K-means para agrupar los datos de apnea y no apnea, seguido del desarrollo y optimización de un modelo de aprendizaje automático, específicamente una arquitectura de red neuronal convolucional (CNN), capaz de detectar con precisión eventos de apnea del sueño a partir de las señales EEG preprocesadas. Los resultados de este estudio demuestran que la banda Delta exhibe los niveles más altos de energía, con un máximo de 6.55E+05 en las primeras 38 semanas de edad gestacional. Así mismo, el modelo CNN logró un promedio de precisión de 0.838 y un recall de 0.828 para la detección de apnea de sueño, con una precisión de 0.87 y un recall de 0.81 en las primeras 36 semanas de edad gestacional. Así, la precisión general del modelo fue de 0.8534. Además, la interfaz está diseñada para permitir visualizar la salida de la señal, y en consecuencia, generar una alerta sobre la presencia de apnea o, por otro lado, mostrar el estado de no apnea, mejorando así la capacidad de respuesta en diferentes situaciones.