Procesamiento de señales relacionadas con patologías del sueño

Autores
Casal, Ramiro
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
tesis doctoral
Estado
versión aceptada
Colaborador/a o director/a de tesis
Schlotthauer, Gastón
Risk, Marcelo
Granito, Pablo
Evin, Diego
Di Persia, Leandro Ezequiel
Descripción
Fil: Casal, Ramiro. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
La apnea obstructiva del sueño (SAOS) es uno de los trastornos del sueño más comunes y su diagnóstico estándar mediante polisomnografía (PSG) es costoso y limitado. Esto ha impulsado el desarrollo de métodos alternativos de cribado que permitan evaluar la prevalencia de estas patologías y seleccionar los casos que requieren PSG. Una técnica prometedora es la oximetría de pulso, que mide la frecuencia cardíaca y la saturación de oxígeno, ofreciendo un método accesible y de bajo costo para identificar alteraciones en el sueño con mínima interferencia. Esta tesis se enfoca en desarrollar algoritmos para estimar el tiempo total de sueño (TTS) a partir de la señal del oxímetro, superando una limitación común en métodos de cribado. El primer aporte es un algoritmo de clasificación entre estados de sueño y vigilia, usando características extraídas de la frecuencia cardíaca y clasificadores de soporte vectorial y bosques aleatorios. Luego, se desarrolló un método de clasificación secuencial usando redes neuronales recurrentes (GRU), lo que permitió una clasificación más precisa al considerar el contexto temporal. Finalmente, se implementó un modelo basado en atención, usando redes convolucionales temporales (TCN) y transformers, que optimiza la eficiencia de entrenamiento sin perder precisión.Los algoritmos propuestos logran una estimación precisa del TTS y la clasificación de fases del sueño, ofreciendo una herramienta potencialmente útil para el cribado de SAOS. Los resultados sugieren que integrar el TTS estimado en el cálculo de eventos respiratorios mejora ligeramente el diagnóstico de SAOS, alentando investigaciones futuras en este enfoque.
Obstructive sleep apnea (OSA) is one of the most prevalent sleep disorders, and its standard diagnostic procedure, polysomnography (PSG), is costly and limited in accessibility, leading to underdiagnosis. This has driven the development of alternative screening methods that assess the prevalence of sleep disorders and identify cases that require PSG. Pulse oximetry—a promising, accessible, and low-cost technique—measures heart rate and oxygen saturation with minimal interference in the patient’s sleep, making it particularly useful for sleep studies. This thesis focuses on developing algorithms to estimate total sleep time (TST) from oximeter data, addressing a common limitation in current screening methods. The first contribution is an algorithm for classifying sleep and wake states using features extracted from heart rate data and classifiers like support vector machines and random forests. Subsequently, a sequential classification method was developed using gated recurrent neural networks (GRU), enabling a more accurate classification by incorporating temporal context. Finally, an attention-based model using temporal convolutional networks (TCN) and transformers was implemented, improving training efficiency without losing accuracy. The proposed algorithms achieve precise TST estimates and sleep stage classification, offering a potentially valuable tool for OSA screening. Preliminary results suggest that incorporating TST estimates in calculating respiratory event frequency slightly improves OSA diagnosis accuracy, encouraging further research in this approach.
Consejo Nacional de Investigaciones Científicas y Técnicas
Materia
Apnea obstructiva del sueño
Polisomnografía
Oximetría de pulso
Tiempo total de sueño
Redes neuronales recurrentes
Mecanismos de atención
Obstructive sleep apnea
Polysomnography
Pulse oximetry
Total sleep time
Recurrent neural networks
Attention mechanisms
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
Repositorio
Biblioteca Virtual (UNL)
Institución
Universidad Nacional del Litoral
OAI Identificador
oai:https://bibliotecavirtual.unl.edu.ar:11185/7802

id UNLBT_977cc4591899099c2654aa385e067667
oai_identifier_str oai:https://bibliotecavirtual.unl.edu.ar:11185/7802
network_acronym_str UNLBT
repository_id_str 2187
network_name_str Biblioteca Virtual (UNL)
spelling Procesamiento de señales relacionadas con patologías del sueñoSignal processing for sleep-related pathologiesCasal, RamiroApnea obstructiva del sueñoPolisomnografíaOximetría de pulsoTiempo total de sueñoRedes neuronales recurrentesMecanismos de atenciónObstructive sleep apneaPolysomnographyPulse oximetryTotal sleep timeRecurrent neural networksAttention mechanismsFil: Casal, Ramiro. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.La apnea obstructiva del sueño (SAOS) es uno de los trastornos del sueño más comunes y su diagnóstico estándar mediante polisomnografía (PSG) es costoso y limitado. Esto ha impulsado el desarrollo de métodos alternativos de cribado que permitan evaluar la prevalencia de estas patologías y seleccionar los casos que requieren PSG. Una técnica prometedora es la oximetría de pulso, que mide la frecuencia cardíaca y la saturación de oxígeno, ofreciendo un método accesible y de bajo costo para identificar alteraciones en el sueño con mínima interferencia. Esta tesis se enfoca en desarrollar algoritmos para estimar el tiempo total de sueño (TTS) a partir de la señal del oxímetro, superando una limitación común en métodos de cribado. El primer aporte es un algoritmo de clasificación entre estados de sueño y vigilia, usando características extraídas de la frecuencia cardíaca y clasificadores de soporte vectorial y bosques aleatorios. Luego, se desarrolló un método de clasificación secuencial usando redes neuronales recurrentes (GRU), lo que permitió una clasificación más precisa al considerar el contexto temporal. Finalmente, se implementó un modelo basado en atención, usando redes convolucionales temporales (TCN) y transformers, que optimiza la eficiencia de entrenamiento sin perder precisión.Los algoritmos propuestos logran una estimación precisa del TTS y la clasificación de fases del sueño, ofreciendo una herramienta potencialmente útil para el cribado de SAOS. Los resultados sugieren que integrar el TTS estimado en el cálculo de eventos respiratorios mejora ligeramente el diagnóstico de SAOS, alentando investigaciones futuras en este enfoque.Obstructive sleep apnea (OSA) is one of the most prevalent sleep disorders, and its standard diagnostic procedure, polysomnography (PSG), is costly and limited in accessibility, leading to underdiagnosis. This has driven the development of alternative screening methods that assess the prevalence of sleep disorders and identify cases that require PSG. Pulse oximetry—a promising, accessible, and low-cost technique—measures heart rate and oxygen saturation with minimal interference in the patient’s sleep, making it particularly useful for sleep studies. This thesis focuses on developing algorithms to estimate total sleep time (TST) from oximeter data, addressing a common limitation in current screening methods. The first contribution is an algorithm for classifying sleep and wake states using features extracted from heart rate data and classifiers like support vector machines and random forests. Subsequently, a sequential classification method was developed using gated recurrent neural networks (GRU), enabling a more accurate classification by incorporating temporal context. Finally, an attention-based model using temporal convolutional networks (TCN) and transformers was implemented, improving training efficiency without losing accuracy. The proposed algorithms achieve precise TST estimates and sleep stage classification, offering a potentially valuable tool for OSA screening. Preliminary results suggest that incorporating TST estimates in calculating respiratory event frequency slightly improves OSA diagnosis accuracy, encouraging further research in this approach.Consejo Nacional de Investigaciones Científicas y TécnicasSchlotthauer, GastónRisk, MarceloGranito, PabloEvin, DiegoDi Persia, Leandro Ezequiel2024-11-06T13:00:43Z2021-03-31SNRDinfo:eu-repo/semantics/doctoralThesisinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_db06info:ar-repo/semantics/tesisDoctoralapplication/pdfhttps://hdl.handle.net/11185/7802spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.esreponame:Biblioteca Virtual (UNL)instname:Universidad Nacional del Litoralinstacron:UNL2025-10-16T10:11:52Zoai:https://bibliotecavirtual.unl.edu.ar:11185/7802Institucionalhttp://bibliotecavirtual.unl.edu.ar/Universidad públicaNo correspondeajdeba@unl.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:21872025-10-16 10:11:52.977Biblioteca Virtual (UNL) - Universidad Nacional del Litoralfalse
dc.title.none.fl_str_mv Procesamiento de señales relacionadas con patologías del sueño
Signal processing for sleep-related pathologies
title Procesamiento de señales relacionadas con patologías del sueño
spellingShingle Procesamiento de señales relacionadas con patologías del sueño
Casal, Ramiro
Apnea obstructiva del sueño
Polisomnografía
Oximetría de pulso
Tiempo total de sueño
Redes neuronales recurrentes
Mecanismos de atención
Obstructive sleep apnea
Polysomnography
Pulse oximetry
Total sleep time
Recurrent neural networks
Attention mechanisms
title_short Procesamiento de señales relacionadas con patologías del sueño
title_full Procesamiento de señales relacionadas con patologías del sueño
title_fullStr Procesamiento de señales relacionadas con patologías del sueño
title_full_unstemmed Procesamiento de señales relacionadas con patologías del sueño
title_sort Procesamiento de señales relacionadas con patologías del sueño
dc.creator.none.fl_str_mv Casal, Ramiro
author Casal, Ramiro
author_facet Casal, Ramiro
author_role author
dc.contributor.none.fl_str_mv Schlotthauer, Gastón
Risk, Marcelo
Granito, Pablo
Evin, Diego
Di Persia, Leandro Ezequiel
dc.subject.none.fl_str_mv Apnea obstructiva del sueño
Polisomnografía
Oximetría de pulso
Tiempo total de sueño
Redes neuronales recurrentes
Mecanismos de atención
Obstructive sleep apnea
Polysomnography
Pulse oximetry
Total sleep time
Recurrent neural networks
Attention mechanisms
topic Apnea obstructiva del sueño
Polisomnografía
Oximetría de pulso
Tiempo total de sueño
Redes neuronales recurrentes
Mecanismos de atención
Obstructive sleep apnea
Polysomnography
Pulse oximetry
Total sleep time
Recurrent neural networks
Attention mechanisms
dc.description.none.fl_txt_mv Fil: Casal, Ramiro. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
La apnea obstructiva del sueño (SAOS) es uno de los trastornos del sueño más comunes y su diagnóstico estándar mediante polisomnografía (PSG) es costoso y limitado. Esto ha impulsado el desarrollo de métodos alternativos de cribado que permitan evaluar la prevalencia de estas patologías y seleccionar los casos que requieren PSG. Una técnica prometedora es la oximetría de pulso, que mide la frecuencia cardíaca y la saturación de oxígeno, ofreciendo un método accesible y de bajo costo para identificar alteraciones en el sueño con mínima interferencia. Esta tesis se enfoca en desarrollar algoritmos para estimar el tiempo total de sueño (TTS) a partir de la señal del oxímetro, superando una limitación común en métodos de cribado. El primer aporte es un algoritmo de clasificación entre estados de sueño y vigilia, usando características extraídas de la frecuencia cardíaca y clasificadores de soporte vectorial y bosques aleatorios. Luego, se desarrolló un método de clasificación secuencial usando redes neuronales recurrentes (GRU), lo que permitió una clasificación más precisa al considerar el contexto temporal. Finalmente, se implementó un modelo basado en atención, usando redes convolucionales temporales (TCN) y transformers, que optimiza la eficiencia de entrenamiento sin perder precisión.Los algoritmos propuestos logran una estimación precisa del TTS y la clasificación de fases del sueño, ofreciendo una herramienta potencialmente útil para el cribado de SAOS. Los resultados sugieren que integrar el TTS estimado en el cálculo de eventos respiratorios mejora ligeramente el diagnóstico de SAOS, alentando investigaciones futuras en este enfoque.
Obstructive sleep apnea (OSA) is one of the most prevalent sleep disorders, and its standard diagnostic procedure, polysomnography (PSG), is costly and limited in accessibility, leading to underdiagnosis. This has driven the development of alternative screening methods that assess the prevalence of sleep disorders and identify cases that require PSG. Pulse oximetry—a promising, accessible, and low-cost technique—measures heart rate and oxygen saturation with minimal interference in the patient’s sleep, making it particularly useful for sleep studies. This thesis focuses on developing algorithms to estimate total sleep time (TST) from oximeter data, addressing a common limitation in current screening methods. The first contribution is an algorithm for classifying sleep and wake states using features extracted from heart rate data and classifiers like support vector machines and random forests. Subsequently, a sequential classification method was developed using gated recurrent neural networks (GRU), enabling a more accurate classification by incorporating temporal context. Finally, an attention-based model using temporal convolutional networks (TCN) and transformers was implemented, improving training efficiency without losing accuracy. The proposed algorithms achieve precise TST estimates and sleep stage classification, offering a potentially valuable tool for OSA screening. Preliminary results suggest that incorporating TST estimates in calculating respiratory event frequency slightly improves OSA diagnosis accuracy, encouraging further research in this approach.
Consejo Nacional de Investigaciones Científicas y Técnicas
description Fil: Casal, Ramiro. Universidad Nacional del Litoral. Facultad de Ingeniería y Ciencias Hídricas; Argentina.
publishDate 2021
dc.date.none.fl_str_mv 2021-03-31
2024-11-06T13:00:43Z
dc.type.none.fl_str_mv SNRD
info:eu-repo/semantics/doctoralThesis
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_db06
info:ar-repo/semantics/tesisDoctoral
format doctoralThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv https://hdl.handle.net/11185/7802
url https://hdl.handle.net/11185/7802
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Virtual (UNL)
instname:Universidad Nacional del Litoral
instacron:UNL
reponame_str Biblioteca Virtual (UNL)
collection Biblioteca Virtual (UNL)
instname_str Universidad Nacional del Litoral
instacron_str UNL
institution UNL
repository.name.fl_str_mv Biblioteca Virtual (UNL) - Universidad Nacional del Litoral
repository.mail.fl_str_mv jdeba@unl.edu.ar
_version_ 1846146242337308672
score 12.712165