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

Sintesi Tecnica: Rilevamento dell'Apnea del Sonno mediante Reti Neurali Artificiali, Analisi Basata su Copula e Dinamica Non Lineare

Definizione del Problema
L'apnea/ipopnea del sonno è un disturbo grave con potenziali conseguenze fatali, inclusi problemi cardiaci e cerebrali, che richiede procedure diagnostiche precise e rapide. I metodi diagnostici tradizionali, come la polisonnografia, sono spesso costosi e richiedono l'allestimento di un intero laboratorio del sonno. Sebbene i sensori indossabili e lo screening con numero ridotto di sensori offrano un'alternativa più snella, i segnali ottenuti da questi dispositivi (ad esempio, l'ECG) esibiscono comportamenti complessi ed erratici che i metodi di analisi lineare spesso non riescono a catturare. La sfida risiede nello sviluppo di un framework che possa identificare efficientemente l'apnea ostruttiva del sonno (OSA) analizzando l'intricata dinamica non lineare della variabilità del battito cardiaco, la quale è governata dall'attività simpatica e parasimpatica e viene disturbata durante gli episodi di apnea.

Metodologia
Gli autori propongono un framework dinamico non lineare che integra l'analisi basata sul caos, la modellazione copula e l'apprendimento automatico per distinguere tra respirazione normale e apnea del sonno. Lo studio utilizza dati ECG dal database "Apnea-ECG" di PhysioNet, selezionando specificamente dieci registrazioni composte da segmenti etichettati come "Normale" e "Apnea del Sonno".

La metodologia procede attraverso le seguenti fasi:

1. Ricostruzione dello Spazio delle Fasi:

   • Ritardo Temporale ($\tau$): Calcolato tramite l'Informazione Mutua Media (AMI) per determinare il lag ottimale per la ricostruzione della dinamica del sistema.
   • Dimensione di Embedding ($m$): Determinata utilizzando l'algoritmo dei Vicini Più Vicini Falsi (FNN) per srotolare la traiettoria del sistema senza sovrapposizioni.
   • Analisi: Gli spazi delle fasi ricostruiti vengono visualizzati per osservare le strutture delle traiettorie (cicli chiusi vs. traiettorie disperse).

2. Estrazione di Caratteristiche Dinamiche Non Lineari:

   • Mappe di Poincaré: Utilizzate per visualizzare la correlazione tra intervalli RR consecutivi ($RR_n$ vs. $RR_{n+1}$). I descrittori geometrici (SD1, SD2 e l'area dell'ellisse adattata) quantificano la variabilità a breve e lungo termine.
   • Esponenti di Lyapunov ($\lambda_{max}$): Calcolati per valutare la sensibilità e la complessità del sistema. Valori positivi indicano dinamiche caotiche (divergenza delle traiettorie), mentre valori nulli o negativi suggeriscono un moto periodico o stabile.
   • Trasformata Rapida di Fourier (FFT): Applicata per recuperare le caratteristiche nel dominio della frequenza e la Densità Spettrale di Potenza (PSD) per identificare le periodicità e i cambiamenti dell'equilibrio autonomico (ad esempio, spostamenti nelle bande a Bassa Frequenza rispetto ad Alta Frequenza).

3. Analisi Basata su Copula:

   • Vengono impiegate le copule Gaussian, Clayton e Gumbel per modellare le strutture di dipendenza non lineare e le dipendenze di coda tra coppie di segnali fisiologici. Ciò cattura interdipendenze complesse che le misure di correlazione standard potrebbero perdere, distinguendo tra schemi di accoppiamento organizzati (periodici) e dispersi (caotici).

4. Classificazione tramite Reti Neurali Artificiali (ANN):

   • Una classificatrice ANN viene addestrata utilizzando un vettore di caratteristiche composto dalle caratteristiche non lineari estratte (Lyapunov, Poincaré), del dominio della frequenza (FFT) e basate su copula.
   • La rete mappa queste dinamiche fisiologiche in un output binario (Normale vs. Apnea) utilizzando una soglia decisionale (tipicamente 0.5). Il modello utilizza vettori di caratteristiche ritardati per apprendere i cambiamenti temporali dello stato fisiologico.

Risultati Chiave
Lo studio presenta risultati sperimentali attraverso diversi "modelli strutturali" (segmenti del dataset), dimostrando la capacità del framework di differenziare i modelli di respirazione:

• Dinamica Non Lineare:
  • Respirazione Normale: Caratterizzata da traiettorie ordinate a ciclo chiuso nello spazio delle fasi, diagrammi di Poincaré compatti allineati sulla linea di identità, energia spettrale concentrata a singole basse frequenze (FFT) e una dipendenza forte e organizzata nei grafici delle copule.
  • Apnea del Sonno: Caratterizzata da traiettorie disperse e sovrapposte, diagrammi di Poincaré sparsi, distribuzioni spettrali a bassa frequenza più ampie e strutture di dipendenza deboli e irregolari.
• Esponenti di Lyapunov: La maggior parte dei segmenti associati all'apnea ha mostrato esponenti di Lyapunov positivi (che indicano il caos), sebbene gli autori notino discrepanze in alcuni casi in cui sono comparsi esponenti positivi in segmenti con schemi di spazio delle fasi altrimenti periodici, suggerendo la necessità di una selezione accurata dei parametri.
• Prestazioni della ANN:
  • L'ANN ha classificato con successo i segmenti in base alle caratteristiche estratte.
  • Modello Strutturale 1: Identificato come periodico/non apneico con alta confidenza.
  • Modello Strutturale 2: Identificato come caotico/apneico con alta confidenza.
  • Modello Strutturale 4: Identificato come periodico/non apneico.
  • Modello Strutturale 7: Identificato come caotico/apneico.
  • Modello Strutturale 9: Identificato come caotico/apneico.
  • Modello Strutturale 10: Identificato come caotico/apneico.
  • I risultati della classificazione non hanno mostrato errori macroscopici di classificazione nei segmenti testati, con l'ANN che distingue efficacemente tra episodi discreti caotici (apnea) e moto periodico regolare.
• Metriche Quantitative: Il documento riporta valori AUROC per specifici modelli strutturali, che variano da 0.6095 (Modello 9, prestazione marginale) a 0.8476 (Modello 4, alta discriminazione), indicando diversi gradi di affidabilità della classificazione in base alle caratteristiche del segnale.

Significatività e Rivendicazioni
Il documento sostiene che il framework proposto sia uno "strumento promettente per il rilevamento automatizzato e preciso dell'apnea del sonno". Combinando caratteristiche complementari — dinamica non lineare, analisi spettrale, modellazione della dipendenza e apprendimento automatico — il metodo riesce a catturare sia i modelli respiratori lineari che quelli non lineari.

Gli autori sottolineano che questo approccio offre un sostituto non invasivo per la polisonnografia, consentendo potenzialmente un monitoraggio domiciliare scalabile e a basso costo. Tuttavia, il documento mantiene un tono modesto riguardo alla sua prontezza clinica. Esso afferma esplicitamente che i risultati attuali si basano su un piccolo dataset a livello di segmento privo di identificativi completi dei pazienti, frequenze di campionamento, valori AHI o etichette di gravità clinica. Di conseguenza, gli autori asseriscono che, sebbene il modello di dinamica non lineare offra caratteristiche matematiche significative per identificare il comportamento caotico, la rivendicazione di un'identificazione automatizzata dell'apnea del sonno rimane "non dimostrata in assenza di una rigorosa conferma quantitativa" e richiede una futura validazione con dataset più ampi, diversificati e clinicamente annotati prima del dispiegamento clinico.