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

Resumo Técnico: Detecção de Apneia do Sono Utilizando Redes Neurais Artificiais, Análise Baseada em Cópula e Dinâmica Não Linear

Definição do Problema
A apneia/hipopneia do sono é um distúrbio grave com consequências potencialmente fatais, incluindo problemas cardíacos e cerebrais, exigindo procedimentos diagnósticos precisos e rápidos. Os métodos diagnósticos tradicionais, como a polissonografia, são frequentemente caros e requerem uma configuração completa de laboratório de sono. Embora sensores vestíveis e triagens com redução de sensores ofereçam uma alternativa simplificada, os sinais obtidos por esses dispositivos (por exemplo, ECG) exibem comportamentos complexos e erráticos que os métodos de análise linear frequentemente falham em capturar. O desafio reside no desenvolvimento de uma estrutura que possa identificar eficientemente a apneia obstrutiva do sono (AOS) através da análise da intrincada dinâmica não linear da variabilidade do batimento cardíaco, que é governada pela atividade simpática e parassimpática e é perturbada durante episódios de apneia.

Metodologia
Os autores propõem uma estrutura de dinâmica não linear que integra análise baseada em caos, modelagem de cópula e aprendizado de máquina para distinguir entre respiração normal e apneia do sono. O estudo utiliza dados de ECG do banco de dados "Apnea-ECG" do PhysioNet, selecionando especificamente dez gravações compostas por segmentos rotulados como "Normal" e "Apneia do Sono".

A metodologia procede através das seguintes etapas:

1. Reconstrução do Espaço de Fase:

   • Atraso Temporal ($\tau$): Calculado usando Informação Mútua Média (AMI) para determinar o atraso ideal para reconstruir a dinâmica do sistema.
   • Dimensão de Incorporação ($m$): Determinada usando o algoritmo de Vizinhos Mais Próximos Falsos (FNN) para desenrolar a trajetória do sistema sem sobreposição.
   • Análise: Os espaços de fase reconstruídos são visualizados para observar as estruturas de trajetória (loops fechados vs. trajetórias dispersas).

2. Extração de Características de Dinâmica Não Linear:

   • Mapas de Poincaré: Utilizados para visualizar a correlação entre intervalos RR consecutivos ($RR_n$ vs. $RR_{n+1}$). Descritores geométricos (SD1, SD2 e a área da elipse ajustada) quantificam a variabilidade de curto e longo prazo.
   • Expoentes de Lyapunov ($\lambda_{max}$): Calculados para avaliar a sensibilidade e a complexidade do sistema. Valores positivos indicam dinâmicas caóticas (divergência de trajetórias), enquanto valores zero ou negativos sugerem movimento periódico ou estável.
   • Transformada Rápida de Fourier (FFT): Aplicada para recuperar características do domínio da frequência e a Densidade Espectral de Potência (PSD) para identificar periodicidades e mudanças no equilíbrio autonômico (por exemplo, mudanças nas bandas de Baixa Frequência vs. Alta Frequência).

3. Análise Baseada em Cópula:

   • Cópulas Gaussianas, Clayton e Gumbel são empregadas para modelar as estruturas de dependência não linear e as dependências de cauda entre pares de sinais fisiológicos. Isso captura interdependências complexas que medidas de correlação padrão podem perder, distinguindo entre padrões de acoplamento organizados (periódicos) e dispersos (caóticos).

4. Classificação via Redes Neurais Artificiais (RNA):

   • Um classificador RNA é treinado utilizando um vetor de características composto pelas características extraídas de dinâmica não linear (Lyapunov, Poincaré), domínio da frequência (FFT) e de cópula.
   • A rede mapeia essas dinâmicas fisiológicas para uma saída binária (Normal vs. Apneia) usando um limiar de decisão (tipicamente 0,5). O modelo utiliza vetores de características atrasados para aprender as mudanças temporais no estado fisiológico.

Resultos Principais
O estudo apresenta resultados experimentais através de várias "estruturas de modelos" (segmentos do conjunto de dados), demonstrando a capacidade da estrutura em diferenciar padrões respiratórios:

• Respiração Normal: Caracterizada por trajetórias ordenadas de loop fechado no espaço de fase, gráficos de Poincaré compactos alinhados com a linha de identidade, energia espectral concentrada em frequências baixas únicas (FFT) e dependência forte e organizada em gráficos de cópula.
• Apneia do Sono: Caracterizada por trajetórias dispersas e sobrepostas, gráficos de Poincaré espalhados, distribuições espectrais de baixa frequência mais amplas e estruturas de dependência mais fracas e irregulares.
• Expoentes de Lyapunov: A maioria dos segmentos associados à apneia exibiu expoentes de Lyapunov positivos (indicando caos), embora os autores notem discrepâncias em alguns casos onde expoentes positivos apareceram em segmentos com padrões de espaço de fase de outra forma periódicos, sugerindo a necessidade de uma seleção cuidadosa de parâmetros.
• Desempenho da RNA:
  • A RNA classificou com sucesso os segmentos com base nas características extraídas.
  • Estrutura de Modelo 1: Identificada como periódica/não apneica com alta confiança.
  • Estrutura de Modelo 2: Identificada como caótica/apneica com alta confiança.
  • Estrutura de Modelo 4: Identificada como periódica/não apneica.
  • Estrutura de Modelo 7: Identificada como caótica/apneica.
  • Estrutura de Modelo 9: Identificada como caótica/apneica.
  • Estrutura de Modelo 10: Identificada como caótica/apneica.
  • Os resultados da classificação não mostraram classificações errôneas óbvias nos segmentos testados, com a RNA distinguindo efetivamente entre episódios caóticos discretos (apneia) e movimento periódico regular.
• Métricas Quantitativas: O artigo relata valores de AUROC para estruturas de modelos específicos, variando de 0,6095 (Modelo 9, desempenho marginal) a 0,8476 (Modelo 4, alta discriminação), indicando graus variáveis de confiabilidade de classificação conforme as características do sinal.

Significância e Alegações
O artigo afirma que a estrutura proposta é uma "ferramenta promissora para a detecção automatizada e precisa da apneia do sono". Ao combinar características complementares — dinâmica não linear, análise espectral, modelagem de dependência e aprendizado de máquina — o método captura com sucesso padrões respiratórios lineares e não lineares.

Os autores enfatizam que esta abordagem oferece um substituto não invasivo para a polissonografia, permitindo potencialmente o monitoramento domiciliar escalável e de baixo custo. No entanto, o artigo mantém um tom modesto quanto à sua prontidão clínica. Ele afirma explicitamente que os achados atuais baseiam-se em um pequeno conjunto de dados de nível de segmento que carece de identificadores completos de pacientes, taxas de amostragem, valores de IAH ou rótulos de gravidade clínica. Consequentemente, os autores afirmam que, embora o modelo de dinâmica não linear ofereça características matemáticas significativas para identificar o comportamento caótico, a alegação de identificação automatizada da apneia do sono permanece "não comprovada na ausência de confirmação quantitativa minuciosa" e requer validação futura com conjuntos de dados maiores, diversos e clinicamente anotados antes da implantação clínica.