A Two-Stage Audio Cascade with Coordinate Attention for On-Device Snore and Sleep Apnea Detection

Declaración del Problema

La Apnea Obstructiva del Sueño (AOS) es un trastorno crónico prevalente con riesgos significativos para la salud, sin embargo, se estima que entre el 80 % y el 90 % de los casos permanecen sin diagnosticar a nivel mundial. El estándar de oro clínico, la polisomnografía (PSG) en laboratorio, es costosa, inaccesible para muchos y solo proporciona una instantánea de una sola noche. Aunque el audio de los teléfonos inteligentes ofrece una alternativa de detección no invasiva y de bajo costo, los enfoques actuales de aprendizaje profundo enfrentan dos desafíos de ingeniería primarios:

1. Estructura Temporal: Las Redes Neuronales Convolucionales (CNN) 1D estándar suelen aplicar una ponderación uniforme a través de los pasos de tiempo, fallando al capturar las fases temporales clínicamente significativas de los eventos de apnea (inicio, meseta de silencio y recuperación).
2. Despliegue en el Borde (Edge Deployment): Muchos modelos de alta precisión requieren inferencia en la nube debido a su tamaño, lo que compromete la privacidad y la capacidad de respuesta en tiempo real en dispositivos de consumo.

El desafío de ingeniería central abordado es si una red neuronal ligera, que opere enteramente en un teléfono inteligente utilizando solo el micrófono integrado, puede detectar eventos de respiración perturbada durante el sueño con una sensibilidad clínicamente significativa, manteniendo al mismo tiempo una baja latencia de inferencia.

Metodología

Los autores proponen una cascada de audio en dos etapas para el borde diseñada para la inferencia en dispositivos finales.

Etapa 1: Detección de Ronquidos de Ventana Corta

• Entrada: Segmentos de audio de 1 segundo convertidos en matrices de coeficientes cepstrales de frecuencia Mel (MFFF) de 15 × 13.
• Arquitectura: Una CNN 2D compacta (301,473 parámetros) clasifica cada segmento como "ronquido" o "no ronquido".
• Salida: Una bandera binaria (0 o 1) muestreada a 1 Hz.

Etapa 2: Detección de Apnea/Hipopnea de Ventana Larga

• Entrada: Una ventana de 200 segundos representada como una matriz de características de 200 × 3 muestreada a 1 Hz. Los tres canales son:
  1. Nivel de Presión Sonora (SPL) en dB.
  2. Tasa de cambio del SPL (dB/seg).
  3. La bandera binaria de presencia de ronquido generada por la Etapa 1.
• Tarea: Clasificación binaria de si la ventana de 200 segundos contiene un evento de apnea o hipopnea (definido como ≥10 segundos de flujo de aire reducido o ausente).
• Arquitectura Propuesta (CA-1D): Los autores adaptan la Atención de Coordenadas (CA), diseñada originalmente para visión 2D, a datos de series temporales 1D.
  • Mecanismo: En lugar del promedio global utilizado en la atención de Squeeze-and-Excitation (SE) (que colapsa el tiempo y produce un vector invariante al tiempo de $1 \times C$), el módulo CA-1D emplea un esquema de fusión global-local. Calcula un vector de contexto global, lo expande (tiling) a la dimensión temporal y lo concatena con características locales. Esto produce un mapa de atención de forma $T \times C$ (tiempo $\times$ canales), preservando la información de la posición temporal.
  • Líneas Base de Comparación: El modelo propuesto se compara contra una CNN 1D básica (cabezal clasificador pesado) y una CNN con atención SE (pesos invariantes al tiempo).

Protocolo Experimental

• Conjunto de Datos: 2,953 ventanas de 200 segundos etiquetadas mediante PSG de 40 participantes (80 noches-persona), que comprenden grabaciones tanto hospitalarias como domésticas.
• Evaluación: Un protocolo riguroso de bootstrap de cinco semillas. Los modelos fueron entrenados cinco veces con diferentes semillas aleatorias, y los resultados se reportaron como medias con intervalos de confianza del 95 % mediante bootstrap. Las comparaciones por pares utilizaron el remuestreo de bootstrap emparejado para controlar la variabilidad inducida por la división de los datos.

Contribuciones Clave

1. Cascada de Dos Etapas: Un flujo de trabajo novedoso donde un detector de ronquidos de ventana corta alimenta una característica binaria a un clasificador de eventos de ventana larga, creando una representación intermedia ultra compacta (~600 valores por ventana) adecuada para dispositivos móviles.
2. Adaptación de CA-1D: Una adaptación metodológica de la Atención de Coordenadas para series temporales biomédicas 1D, utilizando la fusión global-local para preservar la posición temporal en el mapa de atención.
3. Evaluación Multisemilla Rigurosa: Un estudio empírico que compara tres arquitecturas a través de cinco semillas aleatorias, abordando la debilidad común de la notificación de una sola semilla en artículos de IA biomédica con conjuntos de datos pequeños.
4. Eficiencia de Parámetros: Una reducción de los parámetros del modelo del 93.2 % (de 204,801 a 14,001) mientras se mejora el rendimiento de las métricas.
5. Caracterización Honesta de la Atención: Una delineación precisa de dónde la Atención de Coordenadas aporta valor (Precisión y Especificidad) frente a dónde no lo hace (F1 o AUC) en comparación con la atención SE.

Resultados

Evaluado en el conjunto de datos de 2,953 muestras:

• Etapa 1 (Detección de Ronquidos): Logró un 94.29 % de precisión y un F1-score de 90.28 %.
• Etapa 2 (Detección de Apnea):
  • Coord-Attn vs. CNN Original: El modelo propuesto CA-1D alcanzó un 87.14 % de precisión y un 86.94 % de F1, superando significativamente a la línea base de 204k parámetros (83.82 % de precisión) en seis de siete métricas (Precisión, Especificidad, F1, AUC-ROC, AUC-PR).
  • Coord-Attn vs. SE-Attention: Al compararse con la línea base de SE-Attention (13,629 parámetros), el modelo CA-1D mostró mejoras estadísticamente significativas en Precisión (+2.62 pp) y Especificidad (+3.40 pp). Sin embargo, las diferencias en F1, AUC-ROC y AUC-PR no fueron estadísticamente significativas bajo el análisis de bootstrap multisemilla.
  • Eficiencia de Parámetros: El modelo CA-1D logró >86 % de precisión con solo ~14k parámetros, una reducción de >14 veces en comparación con la línea base, manteniendo una alta precisión.

Significancia y Reivindicaciones

El artículo sostiene que la arquitectura propuesta demuestra con éxito que los mecanismos de atención conscientes de la posición pueden adaptarse para series temporales de audio 1D para mejorar la detección de la apnea del sueño en dispositivos.

• Impacto Clínico/Ingeniería: El modelo ofrece un camino para el cribado del sueño escalable y preservador de la privacidad en teléfonos inteligentes de consumo, reduciendo el tamaño del modelo en más del 90 % al tiempo que mejora la precisión de detección.
• Perspectiva Metodológica: El estudio destaca que, si bien la Atención de Coordenadas ofrece una ventaja real en la reducción de falsos positivos (mayor Precisión y Especificidad) en comparación con la atención SE, esto no se traduce necesariamente en una ganancia estadísticamente significativa en las puntuaciones generales de F1 o AUC. Este matiz es crítico para los profesionales que diseñan herramientas de cribado donde las falsas alarmas provocan el abandono del usuario.
• Reproducibilidad: Los autores enfatizan la importancia de la evaluación de bootstrap multisemilla para evitar conclusiones erróneas al comparar arquitecturas de tamaño similar en conjuntos de datos pequeños.

Limitaciones señaladas por los autores:

• La evaluación es a nivel de ventana, no disjunta por participante (leave-subjects-out); el modelo no ha sido validado en individuos completamente nuevos.
• El conjunto de datos, aunque diverso en entornos de grabación, está limitado a 40 participantes.
• El estudio se centra en la detección de la ventana del evento, no en la agregación de puntuaciones en una estimación de AHI (Índice de Apnea-Hipopnea) a nivel nocturno o en la subtipificación clínica completa.