A Single Channel-Based Neonatal Sleep-Wake Classification using Hjorth Parameters and Improved Gradient Boosting

Resumen Técnico: Clasificación del Sueño-Vigilia Neonatal Basada en un Solo Canal

Planteamiento del Problema
El monitoreo de los patrones de sueño en neonatos dentro de las Unidades de Cuidados Intensivos Neonatales (UCIN) es fundamental para evaluar la maduración cerebral y predecir los resultados del desarrollo. Si bien la polisomnografía (PSG) sigue siendo el estándar de oro para la clasificación del sueño, su dependencia de registros multicanal (EEG, ECG, EOG, respiración) y la anotación manual por parte de técnicos del sueño la hace costosa, lenta y potencialmente disruptiva para los neonatos frágiles. Aunque se han desarrollado enfoques de aprendizaje automático (ML) y aprendizaje profundo (DL) para automatizar la clasificación de las etapas del sueño, muchos de los métodos existentes dependen de datos de EEG multicanal, lo que plantea riesgos para la calidad del sueño neonatal debido a la extensa colocación de electrodos. Además, los intentos previos de un solo canal utilizando métodos de aprendizaje profundo o de ensamble han enfrentado desafíos para clasificar con precisión los estados de "vigilia" o para lograr una alta precisión general.

Metodología
Este estudio propone un enfoque novedoso para la clasificación del sueño-vigilia neonatal utilizando una señal de EEG de un solo canal combinada con un algoritmo de Gradient Boosting (GB). La metodología sigue un flujo de trabajo estructurado:

1. Conjunto de Datos y Preprocesamiento: El estudio utilizó registros de PSG de 19 neonatos sanos con enfermedades leves, registrados utilizando el sistema EEG NicoletOne. Aunque la configuración original incluía múltiples canales, el estudio se centró en un único canal de EEG bipolar. Los datos se muestrearon a 500 Hz y se segmentaron en intervalos de 30 segundos. Se aplicó un filtro de paso de banda de Respuesta de Impulso Finita (FIR) (0.3 Hz a 35 Hz) para eliminar el ruido y los artefactos (p. ej., ruido de línea eléctrica, movimiento, artefactos de ECG/EOG). Se excluyeron los segmentos que contenían más del 5% de artefactos anotados, lo que resultó en un conjunto de datos final de 3,400 segmentos para entrenamiento y prueba.
2. Extracción de Características: Se extrajeron trece características prominentes del EEG de un solo canal, cubriendo tanto el dominio del tiempo como el de la frecuencia. Estas incluyeron medidas estadísticas (mínimos, máximos, amplitud media, desviación estándar, asimetría, curtosis, RMS, energía) y parámetros de Hjorth (Actividad, Movilidad y Complejidad). Las características del dominio de la frecuencia incluyeron el centroide espectral, la dispersión espectral y la planitud espectral.
3. Algoritmo de Clasificación: El núcleo del sistema propuesto es un algoritmo de Gradient Boosting. El modelo aproxima la función objetivo mediante una expansión aditiva de aprendices base, optimizando iterativamente los coeficientes para minimizar una función de pérdida.
4. Ajuste de Hiperparámetros: Para optimizar el rendimiento del modelo, se empleó Búsqueda Aleatoria de Validación Cruzada (RandomSearchCV) para seleccionar los mejores hiperparámetros, específicamente el número de estimadores, la profundidad máxima y la tasa de aprendizaje. La configuración óptima identificada fue de 149 estimadores, una profundidad máxima de 10 y una tasa de aprendizaje de 0.104.
5. Validación: El sistema se validó mediante validación cruzada de 5 pliegues (5-fold cross-validation), donde el conjunto de datos se dividió en cinco pliegues, de los cuales cuatro se utilizaron para el entrenamiento y uno para la prueba en cada iteración.

Result গুরুত্ব Resultados Clave
El algoritmo de Gradient Boosting propuesto demostró un rendimiento robusto para distinguir entre los estados de sueño y vigilia neonatal:

• Precisión (Accuracy): El modelo logró una precisión general del 82.35%.
• Sensibilidad y Especificidad: La sensibilidad (identificación correcta de muestras en vigilia) fue del 87.09%, mientras que la especificidad (identificación correcta de muestras de sueño) fue del 76.62%.
• Estadístico Kappa: El puntaje Kappa medio fue de 0.64, lo que indica un acuerdo sustancial entre las predicciones del modelo y las anotaciones de los expertos.
• Análisis ROC: El Área Bajo la Curva (AUC) para la Característica de Operación del Receptor (ROC) fue del 91%.
• Rendimiento Comparativo: El método propuesto superó a los algoritmos de un solo canal existentes, incluyendo Máquinas de Vectores de Soporte (SVM), K-Vecinos Más Cercanos (KNN), Regresión Logística y varios modelos de Aprendizaje Profundo (MLP, CNN, RNN, Autoencoders) reportados previamente en la literatura. Notablemente, el estudio destaca que la versión de Gradient Boosting sin el ajuste de RandomSearchCV arrojó una precisión menor del 75.14%, lo que subraya la importancia de la optimización de parámetros.

Significancia y Reivindicaciones
El artículo afirma que este estudio presenta la mayor precisión hasta la fecha para la clasificación del sueño-vigilia neonatal utilizando datos de EEG de un solo canal. Al utilizar un solo canal, el enfoque aborda la vulnerabilidad de los neonatos y el impacto negativo potencial de las configuraciones multicanal en la calidad del sueño. Los autores enfatizan que el modelo de Gradient Boosting ofrece un bajo costo computacional, lo que lo hace adecuado para aplicaciones en tiempo real en entornos clínicos. La integración exitosa de los parámetros de Hjorth con un clasificador de Gradient Boosting ajustado proporciona una alternativa menos invasiva y viable a la PSG tradicional para el monitoreo del desarrollo neonatal, sirviendo potencialmente como un biomarcador para los niveles de madurez y la gravedad de las enfermedades, al tiempo que permite una atención adaptativa ajustada a las etapas del sueño.