XGBoost Optimization using Single Lead ECG based on Multi-feature of ECG Morphologies for Automatic Sleep Disorder Classification

O sono não é meramente uma pausa em nosso dia; é um processo biológico vital que restaura nossos corpos e mentes. Quando esse descanso é interrompido, as consequências podem ser graves, variando de fadiga crônica a sérias condições cardíacas. Uma das interrupções mais comuns e perigosas é a apneia do sono, uma condição na qual a respiração de uma pessoa para e começa repetidamente durante a noite. Por décadas, a única maneira confiável de diagnosticar este distúrbio foi através de um teste hospitalar complexo chamado polissonografia. Este procedimento envolve a fixação de uma dúzia de sensores ao corpo de um paciente para monitorar ondas cerebrais, atividade muscular e ritmos cardíacos enquanto ele dorme. Embora eficaz, o processo é incômodo, caro e frequentemente desconfortável, levando a uma situação em que a vasta maioria das pessoas que sofrem de apneia do sono permanece sem diagnóstico porque nunca realiza o teste.

Para resolver este problema, pesquisadores voltaram sua atenção para um sinal mais simples: o eletrocardiograma, ou ECG, que registra a atividade elétrica do coração. O coração não bate em um ritmo perfeitamente constante; sua velocidade e força mudam sutilmente em resposta à respiração e outras funções corporais. Em pessoas com apneia do sono, essas mudanças sutis seguem um padrão distinto que difere de pessoas que dormem normalmente. O desafio tem sido ensinar um computador a reconhecer esses padrões automaticamente, sem a necessidade de um especialista humano para revisar manualmente horas de dados. Um novo estudo da Politeknik Negeri Batam, na Indonésia, propõe uma solução que utiliza um único fio para registrar o coração e uma poderosa ferramenta matemática para interpretar os dados, oferecendo um caminho potencial para uma triagem simples e domiciliar de distúrbios do sono.

Os pesquisadores começaram reunindo uma grande coleção de registros cardíacos de um banco de dados público, onde cada minuto do sinal já havia sido rotulado por especialistas médicos como "apneia" ou "normal". Eles focaram em gravações que tinham aproximadamente dezesseis minutos de duração, uma duração escolhida para capturar detalhes clínicos suficientes para distinguir entre os dois estados. Antes que o computador pudesse aprender com esses dados, a equipe teve que limpar os sinais. Assim como uma fotografia pode ser arruinada por poeira ou por uma mão trêmula, os registros cardíacos podem ser distorcidos por interferência elétrica ou pelo movimento do corpo do paciente. A equipe usou filtros digitais para remover esses ruídos indesejados, garantindo que o verdadeiro ritmo do coração estivesse visível e claro.

Uma vez que os sinais estavam limpos, os pesquisadores enfrentaram a tarefa de traduzir os batimentos cardíacos brutos em uma linguagem que um computador pudesse entender. Em vez de olhar apenas para a frequência cardíaca, eles decomporam os dados em vinte e seis características diferentes, ou atributos, que descrevem a forma e o comportamento das ondas elétricas do coração. Alguns desses atributos mediam o tempo entre os batimentos cardíacos, enquanto outros analisavam a estabilidade do ritmo ao longo do tempo. Eles também observaram a forma específica do pico principal da onda elétrica do coração, conhecido como complexo QRS, medindo sua altura e largura. Para capturar padrões ainda mais profundos, aplicaram técnicas matemáticas avançadas que examinavam como o ritmo cardíaco flutua em períodos curtos e longos, tratando o sinal como uma estrutura complexa e autossimilar, em vez de uma linha simples. Essa abordagem multifacetada garantiu que o computador tivesse uma imagem completa do comportamento do coração, não apenas um instantâneo isolado.

Com esses atributos preparados, a equipe treinou um algoritmo de aprendizado de máquina sofisticado conhecido como XGBoost. Pense neste algoritmo como uma equipe de muitos tomadores de decisão simples trabalhando juntos. Cada membro da equipe olha para uma pequena parte dos dados e faz um palpite sobre se o paciente está tendo um evento de apneia. A equipe então combina esses palpites, corrigindo os erros dos membros anteriores, até chegarem a uma conclusão única e altamente precisa. Os pesquisadores dedicaram um tempo significativo ajustando as configurações deste algoritmo, regulando o quão profundamente ele analisava os dados e o quão rápido ele aprendia, para garantir que ele não apenas memorizasse os exemplos de treinamento, mas que pudesse realmente reconhecer novos padrões. Eles também testaram quais dos vinte e seis atributos eram mais importantes, descobrindo que o tempo entre os batimentos cardíacos e a forma específica dos picos elétricos eram os indicadores mais confiáveis.

Os resultados desta abordagem foram impressionantes. Quando testado em dados que nunca havia visto antes, o sistema identificou eventos de apneia do sono com uma precisão de 96,1%. Foi excepcionalmente bom em descartar pessoas que dormem normalmente, alcançando uma pontuação perfeita de 100% na identificação daqueles sem o distúrbio, enquanto ainda detectou 92,1% dos casos reais de apneia. Quando comparado a outros métodos comuns usados em pesquisa médica, como redes neurais padrão ou modelos estatísticos mais simples, este sistema otimizado superou todos eles. O estudo demonstra que, ao combinar uma análise detalhada da forma e do ritmo do coração com um poderoso algoritmo de aprendizado, é possível detectar distúrbios do sono com um nível de precisão que rivaliza com os complexos testes hospitalares de múltiplos sensores. Isso sugere que, no futuro próximo, um dispositivo simples de derivação única poderá fornecer um primeiro passo confiável para o diagnóstico da apneia do sono, tornando o processo acessível a muito mais pessoas do que nunca.