Uso de técnicas de aprendizaje profundo para la detección de eventos motores en registros polisomnográficos

Abstract

[Resumen] Este proyecto se centra en el ámbito del diagnóstico médico, concretamente en el campo de la medicina del sueño, que se ocupa del diagnóstico y tratamiento de los trastornos relacionados con el sueño, conocidos como desórdenes del sueño. El diagnóstico de estas patologías se lleva a cabo a través del análisis y etiquetado manual de estudios polisomnográficos, que registran de varias señales electrofisiológicas y neumológicas del paciente a lo largo de la noche. Este proceso implica el análisis de señales de gran duración, es complejo, y demanda considerables recursos y tiempo por parte del experto clínico. Se justifica así la construcción de sistemas computerizados y algoritmos de análisis automático que reduzcan considerablemente el tiempo de análisis, y sirvan de apoyo al diagnóstico y a la toma de decisiones. El objetivo principal es emplear algoritmos de aprendizaje automático basados en técnicas de aprendizaje profundo (Deep Learning) para la identificación y localización de eventos fisiológicos en estos registros polisomnográficos. Concretamente, se busca localizar eventos fisiológicos asociados con movimientos motores involuntarios en las extremidades, conocidos como Limb Movements. El propósito es facilitar en gran medida el trabajo de los especialistas en medicina del sueño, reduciendo la carga de trabajo manual necesaria para el análisis de los estudios polisomnográficos, minimizar posibles errores humanos y proporcionar repetibilidad y robustez.

[Abstract] This project fits on the domain of medical diagnosis, specifically focuses on the field of sleep medicine, which deals with the diagnosis and treatment of sleep-related disorders, known as sleep disorders. The diagnosis of these pathologies is carried out through the manual analysis and labeling of polysomnographic studies, which record various electrophysiological and pneumological signals of the patient throughout the night. This process involves the analysis of signals of long duration, is complex, and demands considerable resources and time on the part of the clinical expert. This justifies the construction of computerized systems and automatic analysis algorithms that considerably reduce the analysis time, and serve as support for diagnosis and decision-making. The main objective is to use machine learning algorithms based on Deep Learning techniques for the identification and location of physiological events in these polysomnographic records. Specifically, it goal is to locate physiological events associated with involuntary motor movements in the limbs, known as Limb Movements. The purpose is to greatly facilitate the work of sleep medicine specialists, reducing the manual workload necessary for the analysis of polysomnographic studies, minimizing possible human errors and providing repeatability and robustness.