Comprehensive Analysis of Machine Learning Models for Five-Class Sleep Stage Classification Using PPG Signals

El detective nocturno: Por qué necesitamos saber cómo dormimos

Imagina que tu cerebro es una ciudad bulliciosa que nunca se apaga realmente, incluso cuando cierras los ojos. En lugar de oscurecerse, la ciudad cambia entre diferentes distritos: un centro neurálgico y concurrido donde estás bien despierto, una biblioteca silenciosa donde te vas quedando dormido, un búnker subterráneo profundo donde te encuentras en un sueño pesado y reparador, y un parque de atracciones surrealista lleno de sueños. Los científicos llaman a estos diferentes distritos "etapas del sueño". Saber exactamente en qué distrito se encuentra tu cerebro es crucial porque, si la ciudad se queda estancada en la zona equivocada —como quedarse en el centro concurrido cuando debería estar en el búnker profundo—, esto puede provocar problemas de salud como problemas cardíacos, diabetes o simplemente sentirte aturdido durante todo el día.

Durante mucho tiempo, la única forma de mapear esta ciudad nocturna era enviar a un equipo de expertos con una enorme y enredada mochila de cables. Este método de "estándar de oro", llamado Polisomnografía (PSG), consiste en pegar electrodos en tu cabeza, ojos y barbilla para leer tus ondas cerebrales y espasmos musculares. Es increíblemente preciso, pero también es costoso, incómodo y generalmente requiere que duermas en un laboratorio, lo cual no es precisamente una forma natural de pegar ojo.

Entra la revolución de los dispositivos "vestibles" (wearables). Probablemente hayas visto a personas usando relojes inteligentes que rastrean sus latidos cardíacos. Estos dispositivos utilizan un sensor llamado Fotopletismografía (PPG). En lugar de leer las ondas cerebrales directamente, la PPG proyecta una pequeña luz en tu piel para observar cómo tu sangre pulsa con cada latido del corazón. La idea es simple: tu corazón late de manera diferente dependiendo de si estás despierto, soñando o en sueño profundo. Entonces, si podemos escuchar el ritmo de tu corazón, ¿podemos adivinar en qué "distrito" de la ciudad del sueño te encuentras? Esta es la gran pregunta que los investigadores están tratando de responder, con la esperanza de convertir una simple pulsera en un detective del sueño que funcione en tu propia habitación.

La misión del artículo: ¿Puede un simple reloj contar la historia completa?

En este estudio, un equipo de investigadores decidió ver si podían usar estos sensores de latidos cardíacos para resolver la versión más difícil del rompecabezas del sueño: distinguir las cinco etapas distintas del sueño (Despierto, Sueño Ligero 1, Sueño Ligero 2, Sueño Profundo y REM/Sueños). Mientras que muchos estudios previos intentaron simplificar el problema agrupando las etapas (como decir "solo dime si estoy dormido o despierto"), los autores sabían que fusionar estas etapas hace que se pierdan detalles importantes sobre tu salud. Querían ver si un modelo estándar de aprendizaje automático podía distinguir entre las cinco etapas, utilizando solo los datos del corazón de un dispositivo vestible, sin necesidad del pesado y costoso equipo de ondas cerebrales.

Para hacer esto, no construyeron una nueva supercomputadora; en su lugar, actuaron como maestros chefs utilizando un conjunto estándar de ingredientes. Tomaron datos de 48 personas que ya habían dormido en un laboratorio con equipo de monitoreo completo (por lo que la respuesta "correcta" ya se conocía). Tomaron las señales cardíacas (PPG) de estas personas y las cortaron en trozos de 3 minutos. ¿Por qué 3 minutos? Los autores razonaron que, si bien el sueño suele medirse en rebanadas de 30 segundos, algunas pistas del ritmo cardíaco son como guisos de cocción lenta; necesitan más tiempo para cocinarse a fuego lento y revelar su verdadero sabor. Luego utilizaron estos trozos para enseñar a varios tipos diferentes de modelos informáticos "tradicionales" —piensa en ellos como diferentes estilos de detectives, incluyendo Random Forest, k-Nearest Neighbors y XGBoost— a reconocer los patrones de cada etapa del sueño.

Los investigadores probaron dos estrategias principales: una donde la computadora miraba solo la forma de la señal del corazón, y otra donde miraba la forma más los intervalos de tiempo entre los latidos (llamados Intervalos Inter-Latido o IBI). Es como intentar identificar una canción escuchando solo la melodía frente a escuchar la melodía y el ritmo juntos.

Los hallazgos: El ritmo del latido gana

Los resultados fueron bastante prometedores, pero con algunas salvedades. El estudio encontró que combinar la forma de la señal con los intervalos de ritmo (IBI) fue el ingrediente secreto. Cuando los modelos utilizaron ambos tipos de pistas, mejoraron mucho en la predicción de las etapas del sueño.

La estrella del espectáculo fue el modelo Random Forest. Imagina un comité de 100 expertos diferentes, cada uno haciendo una pregunta ligeramente distinta sobre los datos, y luego votando sobre la respuesta. Este enfoque de "comité" funcionó mejor, logrando una precisión del 72.2% y una puntuación llamada Kappa de Cohen de 0.65. Esto significa que el modelo acertó aproximadamente tres cuartas partes de las veces, lo cual es un desempeño sólido para una tarea tan difícil. El modelo k-Nearest Neighbors (que adivina basándose en cuáles fueron los trozos de sueño "más cercanos" o similares) quedó en un segundo lugar muy cercano con un 71.6% de precisión.

Sin embargo, el artículo es cuidadoso al señalar dónde tuvieron dificultades los detectives. Los modelos fueron excelentes para detectar cuándo estabas despierto o en sueño profundo, pero tuvieron dificultades para distinguir las etapas de "Sueño Ligero" (específicamente la Etapa 2). Es como intentar distinguir entre dos tonos de azul que se ven casi idénticos; las señales del corazón para estas etapas son tan similares que incluso los mejores modelos se confunden.

Los autores también descartaron explícitamente la idea de que se necesita una supercomputadora de "aprendizaje profundo" masiva y compleja para obtener estos resultados. Demostraron que estos modelos más simples y tradicionales podían desempeñarse tan bien como las sofisticadas redes neuronales de otros estudios, pero con la ventaja adicional de ser más fáciles de entender y requerir menos potencia de cómputo. Esto es importante porque sugiere que tu próximo reloj inteligente podría realizar este análisis directamente en el dispositivo, sin necesidad de enviar tus datos a una granja de servidores gigante.

La conclusión

Entonces, ¿qué significa todo esto? El estudio sugiere que no necesitamos necesariamente atarnos a una cama de hospital para obtener un mapa detallado de nuestro sueño. Al usar un simple sensor cardíaco y modelos informáticos inteligentes y tradicionales, podemos obtener una imagen bastante buena de nuestras etapas de sueño, incluyendo las más complicadas. Aunque el sistema aún no es perfecto —todavía se confunde con las etapas de sueño ligero—, demuestra que un dispositivo vestible podría, algún día, darnos un reporte detallado de cinco estrellas sobre la calidad de nuestro sueño directamente desde nuestras muñecas. Los autores concluyen que este enfoque es un paso práctico y sólido hacia el objetivo de hacer que el monitoreo del sueño sea asequible y cómodo para todos, incluso si no es exactamente la "solución mágica" que resuelve todos los misterios del sueño de la noche a la mañana.