FetalSleepNet: A Transfer Learning Framework with Spectral Equalisation Domain Adaptation for Fetal Sleep Stage Classification

1. Planteamiento del Problema

La clasificación de los estados de sueño fetal es fundamental para detectar anomalías en la maduración cerebral asociadas a complicaciones del embarazo (como hipoxia o restricción del crecimiento intrauterino). Sin embargo, existen desafíos significativos:

• Dificultad de adquisición e interpretación: La electroencefalografía fetal (fEEG) es compleja de obtener y su interpretación manual es laboriosa, subjetiva y propensa a inconsistencias, especialmente durante las transiciones de estado.
• Escasez de datos etiquetados: A diferencia de los adultos, no existen grandes conjuntos de datos de fEEG con anotaciones de alta calidad.
• Brecha de dominio: Existen diferencias sustanciales entre la EEG de adultos y la fetal (colocación de electrodos, amplitud de la señal, contenido de frecuencia y maduración neurodesarrolladora), lo que impide la transferencia directa de modelos de sueño adultos a fetos.
• Necesidad de automatización: Se requieren herramientas objetivas y automatizadas que sean escalables y capaces de funcionar en sistemas de monitoreo de bajo consumo y tiempo real.

2. Metodología

El estudio propone FetalSleepNet, un marco de aprendizaje profundo diseñado específicamente para la clasificación de estados de sueño en corderos fetos (modelo preclínico establecido) utilizando EEG.

A. Datos y Preprocesamiento

• Datos Fetales: Se utilizaron registros de EEG de 24 corderos fetos (etapa tardía de gestación) con electrodos colocados en las cortezas parietales. Los estados se anotaron manualmente en tres categorías: NREM (sueño no REM), REM y Intermedio (estados transitorios o ambiguos).
• Datos de Adultos (Pre-entrenamiento): Se utilizó el conjunto de datos Sleep-EDF (adultos sanos) para pre-entrenar el modelo.
• Estrategia de Adaptación de Dominio (Clave): Para reducir la discrepancia espectral entre la EEG de adultos y la fetal, se implementó una técnica de Equalización Espectral (Spectral Equalisation). Esta técnica ajusta la distribución de potencia espectral de la EEG de adultos para que coincida con la de la EEG fetal, aplicando ganancias dependientes de la frecuencia antes del entrenamiento.

B. Arquitectura del Modelo (FetalSleepNet)

El modelo se basa en TinySleepNet, una arquitectura ligera (1.3M parámetros) seleccionada por su eficiencia para sistemas embebidos.

• Entrada: Doble canal (EEG izquierdo y derecho).
• Componentes:
  1. Red Convolucional (CNN): Extrae características espaciales y temporales invariantes de las señales crudas.
  2. Red Recurrente (LSTM): Se utilizaron dos capas LSTM apiladas (256 unidades cada una) para capturar dependencias temporales complejas, mejorando la detección de estados ambiguos.
  3. Capa de Salida: Clasifica en 3 estados (REM, NREM, Intermedio).
• Estrategia de Transferencia: Se pre-entrenó el modelo en datos de adultos (5 estados) y luego se ajustó (fine-tuning) en datos fetales. Se probaron tres estrategias: CNN congelada, ajuste parcial y ajuste completo (que resultó ser la mejor).

C. Entrenamiento y Evaluación

• Se utilizó validación cruzada Leave-One-Subject-Out (LOSO) para garantizar la generalización entre sujetos.
• Se aplicó una función de pérdida de entropía cruzada ponderada para abordar el desequilibrio de clases (el estado "Intermedio" es minoritario).

3. Contribuciones Clave

1. Primer marco de aprendizaje profundo para fEEG: FetalSleepNet es el primer modelo diseñado específicamente para la clasificación automática de sueño en corderos fetos usando EEG.
2. Equalización Espectral: Propone una técnica de preprocesamiento ligera y efectiva que alinea las características de frecuencia entre dominios (adulto-feto), mejorando significativamente la transferencia de aprendizaje.
3. Motor de Etiquetado (Label Engine): El modelo no solo clasifica, sino que sirve como base para generar etiquetas en grandes conjuntos de datos, permitiendo el entrenamiento de clasificadores proxy basados en señales no invasivas (como Doppler o ECG fetal) mediante aprendizaje débil/semi-supervisado.
4. Código Abierto: Se libera la implementación completa, incluyendo pesos pre-entrenados, para fomentar la investigación traslacional.

4. Resultados

• Rendimiento General: La combinación de fine-tuning completo con equalización espectral logró el mejor rendimiento:
  • Precisión (Accuracy): 86.6%
  • Macro F1-score: 62.5%
  • Esto superó a los modelos entrenados solo con datos fetales y a las transferencias directas sin adaptación.
• Comparación de Estrategias:
  • La transferencia directa sin adaptación (CNN congelada) falló (~18.7%), confirmando la gran brecha de dominio.
  • El ajuste completo sin equalización mejoró el rendimiento (61.4% Macro F1), pero la equalización espectral lo llevó al máximo (62.5% Macro F1) con una convergencia más rápida y estable.
• Estados Específicos: El modelo obtuvo un alto rendimiento en NREM (88.1% F1) y REM (89.8% F1). El estado Intermedio fue el más difícil de clasificar (9.5% F1), lo cual es consistente con la naturaleza ambigua y transitoria de este estado fisiológico.
• Eficiencia Computacional: El modelo es extremadamente rápido, con una latencia de inferencia de ~5.7 ms por epoca (30 segundos) en CPU, lo que lo hace viable para sistemas portátiles y en tiempo real.

5. Significado e Impacto

• Avance en Neurodesarrollo Fetal: Proporciona una herramienta objetiva para estudiar la maduración cerebral fetal y detectar precozmente condiciones patológicas.
• Puente Traslacional: Al establecer un "estándar de oro" basado en EEG invasivo en animales, FetalSleepNet actúa como un motor de etiquetado para entrenar modelos que utilicen señales no invasivas en humanos (ECG, Doppler), superando la imposibilidad actual de obtener EEG fetal continuo en humanos.
• Viabilidad Clínica: Su diseño ligero y eficiente permite su despliegue en sistemas de monitoreo fetal portátiles y de bajo consumo, facilitando la monitorización a largo plazo y la detección temprana de riesgos como la restricción del crecimiento o la hipertensión gestacional.
• Limitaciones y Futuro: El estado "Intermedio" sigue siendo un desafío debido a su ambigüedad. Futuras investigaciones buscarán integrar más modalidades y validar el enfoque en cohortes humanas y en diferentes etapas de gestación.

En resumen, el artículo presenta una solución innovadora que combina aprendizaje profundo, adaptación de dominio espectral y transferencia de conocimiento para resolver uno de los problemas más difíciles en la monitorización fetal: la clasificación automática y precisa de los estados de sueño.