Sleep Apnea Detection Using Artificial Neural Networks of Physiological Signals, Copula-Based Analysis, and Nonlinear Dynamics

Resumen Técnico: Detección de la Apnea del Sueño mediante Redes Neuronales Artificiales, Análisis Basado en Cópulas y Dinámica No Lineal

Planteamiento del Problema
La apnea/hipopnea del sueño es un trastorno grave con consecuencias potencialmente fatales, incluyendo problemas cardíacos y cerebrales, que requiere procedimientos de diagnóstico precisos y rápidos. Los métodos de diagnóstico tradicionales, como la polisomnografía, suelen ser costosos y requieren una configuración completa de laboratorio de sueño. Si bien los sensores portátiles y el cribado con reducción de sensores ofrecen una alternativa optimizada, las señales obtenidas de estos dispositivos (por ejemplo, ECG) exhiben comportaciones complejas y erráticas que los métodos de análisis lineal a menudo no logran capturar. El desafío radica en desarrollar un marco que pueda identificar eficientemente la apnea obstructiva del sueño (AOS) mediante el análisis de la intrincada dinámica no lineal de la variabilidad del latido cardíaco, la cual está gobernada por la actividad simpática y parasimpática y se ve alterada durante los episodios de apnea.

Metodología
Los autores proponen un marco dinámico no lineal que integra el análisis basado en el caos, el modelado de cópulas y el aprendizaje automático para distinguir entre la respiración normal y la apnea del sueño. El estudio utiliza datos de ECG de la base de datos "Apnea-ECG" de PhysioNet, seleccionando específicamente diez grabaciones que comprenden segmentos etiquetados como "Normal" y "Apnea del Sueño".

La metodología avanza a través de las siguientes etapas:

1. Reconstrucción del Espacio de Fases:

   • Retardo Temporal ($\tau$): Calculado mediante la Información Mutua Media (AMI) para determinar el desfase óptimo para reconstruir la dinámica del sistema.
   • Dimensión de Embebimiento ($m$): Determinada mediante el algoritmo de Vecinos Cercanos Falsos (FNN) para desplegar la trayectoria del sistema sin solapamientos.
   • Análisis: Los espacios de fases reconstruidos se visualizan para observar las estructuras de las trayectorias (bucles cerrados frente a trayectorias dispersas).

2. Extracción de Características de Dinámica No Lineal:

   • Mapas de Poincaré: Utilizados para visualizar la correlación entre intervalos RR consecutivos ($RR_n$ vs. $RR_{n+1}$). Los descriptores geométricos (SD1, SD2 y el área de la elipse ajustada) cuantifican la variabilidad a corto y largo plazo.
   • Exponentes de Lyapunov ($\lambda_{max}$): Calculados para evaluar la sensibilidad y complejidad del sistema. Los valores positivos indican dinámicas caóticas (divergencia de trayectorias), mientras que los valores cero o negativos sugieren un movimiento periódico o estable.
   • Transformada Rápida de Fourier (FFT): Aplicada para recuperar características del dominio de la frecuencia y la Densidad Espectral de Potencia (PSD) para identificar periodicidades y cambios en el equilibrio autonómico (por ejemplo, desplazamientos en las bandas de Baja Frecuencia frente a Alta Frecuencia).

3. Análisis Basado en Cópulas:

   • Se emplean cópulas Gaussianas, Clayton y Gumbel para modelar las estructuras de dependencia no lineal y las dependencias de cola entre pares de señales fisiológicas. Esto captura interdependencias complejas que las medidas de correlación estándar podrían pasar por alto, distinguiendo entre patrones de acoplamiento organizados (periódicos) y dispersos (caóticos).

4. Clasificación mediante Redes Neuronales Artificiales (ANN):

   • Se entrena un clasificador ANN utilizando un vector de características que comprende las características no lineales (Lyapunov, Poincaré), de dominio de frecuencia (FFT) y basadas en cópulas.
   • La red mapea estas dinámicas fisiológicas a una salida binaria (Normal vs. Apnea) utilizando un umbral de decisión (típicamente 0.5). El modelo utiliza vectores de características retardados para aprender los cambios temporales en el estado fisiológico.

Resultos Clave
El estudio presenta resultados experimentales a través de varios "modelos de estructura" (segmentos del conjunto de datos), demostrando la capacidad del marco para diferenciar patrones de respiración:

• Dinámica No Lineal:
  • Respiración Normal: Caracterizada por trayectorias ordenadas de bucle cerrado en el espacio de fases, gráficos de Poincaré ajustados a la línea de identidad, energía espectral concentrada en frecuencias bajas únicas (FFT) y una dependencia fuerte y organizada en los gráficos de cópulas.
  • Apnea del Sueño: Caracterizada por trayectorias dispersas y solapadas, gráficos de Poincaré dispersos, distribuciones espectrales de baja frecuencia más amplias y estructuras de dependencia débiles e irregulares.
• Exponentes de Lyapunov: La mayoría de los segmentos asociados con la apnea exhibieron exponentes de Lyapunov positivos (indicando caos), aunque los autores señalan discrepancias en algunos casos donde aparecieron exponentes positivos en segmentos con patrones de espacio de fase que de otro modo eran periódicos, lo que sugiere la necesidad de una selección cuidadosa de parámetros.
• Rendimiento de la ANN:
  • La ANN clasificó con éxito los segmentos basándose en las características extraídas.
  • Estructura de Modelo 1: Identificada como periódica/no apnéica con alta confianza.
  • Estructura de Modelo 2: Identificada como caótica/apnéica con alta confianza.
  • Estructura de Modelo 4: Identificada como periódica/no apnéica.
  • Estructura de Modelo 7: Identificada como caótica/apnéica.
  • Estructura de Modelo 9: Identificada como caótica/apnéica.
  • Estructura de Modelo 10: Identificada como caótica/apnéica.
  • Los resultados de la clasificación no mostraron errores de clasificación obvios en los segmentos probados, con la ANN distinguiendo eficazmente entre episodios caóticos discretos (apnea) y el movimiento periódico regular.
• Métricas Cuantitativas: El artículo reporta valores de AUROC para estructuras de modelos específicos, que oscilan entre 0.6095 (Modelo 9, rendimiento marginal) y 0.8476 (Modelo 4, alta discriminación), indicando grados variables de fiabilidad de la clasificación según las características de la señal.

Significancia y Reivindicaciones
El artículo afirma que el marco propuesto es una "herramienta prometedora para la detección automatizada y precisa de la apnea del sueño". Al combinar características complementarias —dinámica no lineal, análisis espectral, modelado de dependencia y aprendizaje automático— el método captura con éxito tanto los patrones de respiración lineales como los no lineales.

Los autores enfatizan que este enfoque ofrece un sustituto no invasivo para la polisomnografía, permitiendo potencialmente un monitoreo domiciliario escalable y de bajo costo. Sin embargo, el artículo mantiene un tono modesto respecto a su preparación clínica. Establece explícitamente que los hallazgos actuales se basan en un conjunto de datos pequeño a nivel de segmento que carece de identificadores completos de pacientes, tasas de muestreo, valores de AHI o etiquetas de severidad clínica. Por consiguiente, los autores sostienen que, si bien el modelo de dinámica no lineal ofrece características matemáticas significativas para identificar el comportamiento caótico, la afirmación de la identificación automatizada de la apnea del sueño permanece "no sustentada en ausencia de una confirmación cuantitativa exhaustiva" y requiere validación futura con conjuntos de datos más grandes, diversos y clínicamente anotados antes de su despliegue clínico.