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

O Detetive Noturno: Por Que Precisamos Saber Como Dormimos

Imagine que seu cérebro é uma cidade movimentada que nunca desliga de verdade, mesmo quando você fecha os olhos. Em vez de escurecer, a cidade alterna entre diferentes distritos: um centro movimentado onde você está bem acordado, uma biblioteca silenciosa onde você está pegando no sono, um bunker subterrâneo profundo onde você está em um sono pesado e restaurador, e um parque de diversões surreal e cheio de sonhos. Os cientistas chamam esses diferentes distritos de "estágios do sono". Saber exatamente em qual distrito seu cérebro está é crucial porque, se a cidade ficar presa no zoneamento errado — como permanecer no centro movimentado quando deveria estar no bunker profundo — isso pode levar a problemas de saúde como problemas cardíacos, diabetes ou apenas fazer você se sentir sonolento o dia todo.

Por muito tempo, a única maneira de mapear essa cidade noturna era enviar uma equipe de especialistas com uma mochila enorme e emaranhada de fios. Este método "padrão ouro", chamado Polissonografia (PSG), envolve colar eletrodos na sua cabeça, olhos e queixo para ler suas ondas cerebrais e espasmos musculares. É incrivelmente preciso, mas também caro, desconfortável e geralmente exige que você durma em um laboratório, o que dificilmente é uma maneira natural de pegar no sono.

Entra a revolução dos "dispositivos vestíveis" (wearables). Você provavelmente já viu pessoas usando smartwatches que monitoram seus batimentos cardíacos. Esses dispositivos usam um sensor chamado Fotopletismografia (PPG). Em vez de ler as ondas cerebrais diretamente, o PPG projeta uma luz minúscula na sua pele para observar seu sangue pulsar a cada batimento cardíaco. A ideia é simples: seu coração bate de forma diferente dependendo se você está acordado, sonhando ou em sono profundo. Então, se pudermos ouvir o ritmo do seu coração, conseguiremos adivinhar em qual "distrito" da cidade do sono você está? Esta é a grande questão que os pesquisadores estão tentando responder, esperando transformar uma simples pulseira em um detetive do sono que funcione diretamente no seu próprio quarto.

A Missão do Artigo: Um Simples Relógio Pode Contar a História Toda?

Neste estudo, uma equipe de pesquisadores decidiu verificar se poderia usar esses sensores de batimentos cardíacos para resolver a versão mais difícil do quebra-cabeça do sono: distinguir todos os cinco estágios distintos do sono (Acordado, Sono Leve 1, Sono Leve 2, Sono Profundo e REM/Sonhando). Enquanto muitos estudos anteriores tentaram simplificar o problema agrupando os estágios (como dizer "apenas me diga se estou dormindo ou acordado"), os autores sabiam que fundir esses estágios faz com você perder detalhes importantes sobre sua saúde. Eles queriam ver se um modelo padrão de aprendizado de máquina poderia diferenciar todos os cinco, usando apenas os dados cardíacos de um dispositivo vestível, sem a necessidade do equipamento pesado e caro de ondas cerebrais.

Para fazer isso, eles não construíram um supercomputador novo; em vez disso, agiram como mestres chefs usando um conjunto padrão de ingredientes. Eles pegaram dados de 48 pessoas que já haviam dormido em um laboratório com equipamentos de monitoramento completo (então a resposta "correta" já era conhecida). Eles coletaram os sinais cardíacos (PPG) dessas pessoas e os cortaram em pedaços de 3 minutos. Por que 3 minutos? Os autores raciocinaram que, embora o sono seja frequentemente medido em fatias de 30 segundos, algumas pistas da frequência cardíaca são como ensopados de cozimento lento; elas precisam de mais tempo para apurar e revelar seu verdadeiro sabor. Eles então usaram esses pedaços para ensinar vários tipos diferentes de modelos de computador "tradicionais" — pense neles como diferentes estilos de detetives, incluindo Random Forest, k-Nearest Neighbors e XGBoost — para reconhecer os padrões de cada estágio do sono.

Os pesquisadores testaram duas estratégias principais: uma onde o computador olhava apenas para a forma do sinal cardíaco e outra onde olhava para a forma mais os intervalos de tempo entre os batimentos cardíacos (chamados de Intervalos Entre Batimentos ou IBIs). É como tentar identificar uma música ouvindo apenas a melodia versus ouvir a melodia e o ritmo juntos.

As Descobertas: O Ritmo do Batimento Cardíaco Vence

Os resultados foram bastante promissores, mas com algumas ressalvas. O estudo descobriu que combinar a forma do sinal com os intervalos de ritmo (IBIs) foi o ingrediente secreto. Quando os modelos usaram ambos os tipos de pistas, tornaram-se muito melhores em adivinhar os estágios do sono.

A estrela do show foi o modelo Random Forest. Imagine um comitê de 100 especialistas diferentes, cada um fazendo uma pergunta ligeiramente diferente sobre os dados, e depois votando na resposta. Essa abordagem de "comitê" funcionou melhor, alcançando uma acurácia de 72,2% e uma pontuação chamada Kappa de Cohen de 0,65. Isso significa que o modelo estava correto cerca de três quartos das vezes, o que é um desempenho sólido para uma tarefa tão difícil. O modelo k-Nearest Neighbors (que adivinha com base no que os pedaços de sono mais "próximos" e similares foram) ficou em um segundo lugar muito próximo, com 71,6% de acurácia.

No entanto, o artigo é cuidadoso ao apontar onde os detetives tiveram dificuldades. Os modelos foram ótimos em detectar quando você estava acordado ou em sono profundo, mas tiveram dificuldade em distinguir os estágios de "Sono Leve" (especificamente o Estágio 2). É como tentar diferenciar dois tons de azul que parecem quase idênticos; os sinais cardíacos para esses estágios são tão semelhantes que até os melhores modelos ficaram confusos.

Os autores também descartaram explicitamente a ideia de que você precisa de um supercomputador de "aprendizado profundo" (deep learning) massivo e complexo para obter esses resultados. Eles mostraram que esses modelos tradicionais mais simples poderiam ter um desempenho tão bom quanto as redes neurais sofisticadas encontradas em outros estudos, mas com o benefício adicional de serem mais fáceis de entender e exigirem menos poder computacional. Isso é importante porque sugere que seu próximo smartwatch poderá realizar essa análise diretamente no dispositivo, sem precisar enviar seus dados para uma enorme fazenda de servidores.

A Conclusão

Então, o que tudo isso significa? O estudo sugere que não precisamos necessariamente nos prender a uma cama de hospital para obter um mapa detalhado do nosso sono. Ao usar um simples sensor cardíaco e modelos de computador tradicionais e inteligentes, podemos obter uma imagem muito boa dos nossos estágios de sono, incluindo os mais complicados. Embora o sistema ainda não seja perfeito — ainda se confunde com os estágios de sono mais leve — ele prova que um dispositivo vestível poderia, um dia, fornecer um relatório detalhado de cinco estrelas sobre a qualidade do seu sono diretamente do seu pulso. Os autores concluem que essa abordagem é um passo prático e forte em direção a tornar o monitoramento do sono acessível e confortável para todos, mesmo que ainda não seja a "solução mágica" que resolve todos os mistérios do sono da noite para o dia.