Caracterización y reconocimiento de pausas respiratorias durante el sueño en tratamiento con CPAP

ESCUELA DE INGENIERÍA DE TELECOMUNICACIÓN Y ELECTRÓNICA TRABAJO FIN DE GRADO CARACTERIZACIÓN Y RECONOCIMIENTO DE PAUSAS RESPIRATORIAS DURANTE EL SUEÑO EN TRATAMIENTO CON CPAP Titulación: Grado en Ingeniería en Tecnologías de la Telecomunicación Mención: Sonido e Imagen Autora: Mª. Belén López Puetate Tutores: Dr. D. Antonio G. Ravelo García Dr. D. Juan Luis Navarro Mesa Fecha: Julio de 2015 ESCUELA DE INGENIERÍA DE TELECOMUNICACIÓN Y ELECTRÓNICA TRABAJO FIN DE GRADO CARACTERIZACIÓN Y RECONOCIMIENTO DE PAUSAS RESPIRATORIAS DURANTE EL SUEÑO EN TRATAMIENTO CON CPAP HOJA DE FIRMAS Alumna Fdo.: Mª Belén López Puetate Tutor Tutor Fdo.: Dr. D. Antonio G. Ravelo García Fdo.: Dr. D. Juan Luis Navarro Mesa Fecha: Julio 2015 ESCUELA DE INGENIERÍA DE TELECOMUNICACIÓN Y ELECTRÓNICA TRABAJO FIN DE GRADO CARACTERIZACIÓN Y RECONOCIMIENTO DE PAUSAS RESPIRATORIAS DURANTE EL SUEÑO EN TRATAMIENTO CON CPAP HOJA DE EVALUACIÓN Calificación: _____________________________ Presidente Fdo: Vocal Secretario/a Fdo: Fdo: Fecha: Junio 2015 Agradecimientos Rindo mi corazón lleno de agradecimiento, principalmente a mi ABBA, por provocar que los tiempos se aceleren, y poder ver las manifestaciones de su eterno Amor en mi vida. A mis padres, Luis y Rosa, que han sido mi inspiración de lucha, esfuerzo y valentía constante, y ser mi mejor refugio. Por tener el coraje de salir de su tierra para darnos un futuro mejor a toda su generación. A mis hermanos mayores, Pablito y Mª Isabel por quererme y apoyarme en todos los sentidos y por cuidar de mí desde que nací. A mis cuñados Edison y Sonia, por abrirme las puertas de sus hogares y volcarse conmigo incondicionalmente en esta trayectoria, y a mis sobrinos, Andy, Cristian y Annie, por alegrarme la vida con sus travesuras. Va por ustedes. A mis compañeros, profesores y amigos tanto de Madrid, como de Gran Canaria, por el cariño y profesionalidad con que nos hemos sabido tratar, y en especial mención a mis tutores de TFG. Gracias por transmitirme sus conocimientos, por orientarme a lo largo del desarrollo del trabajo y brindarme la oportunidad de formar parte de un equipo con carisma y gran nivel profesional. Gracias Doctores, son una bendición para mi vida. “Clama a mí, y yo te responderé y te revelaré cosas grandes e inaccesibles, que tú no conoces.” Jeremías 33:6 “Mira que te mando que te esfuerces y seas valiente; no temas ni desmayes, porque Jehová tu Dios estará contigo en dondequiera que vayas” Josué 1:9 Índice de Ilustraciones Ilustración 5.1: Diagrama de cajas para los 13 nuevos parámetros, Pre_CPAP---------------69 Ilustración 5.2: Diagrama de cajas para los 13 nuevos parámetros, Pos_CPAP--------------70 Ilustración 5.3: Representación Q-Q para los 13 nuevos parámetros, Pre_CPAP------------72 Ilustración 5.4: Representación Q-Q para los 13 nuevos parámetros, Pos_CPAP------------73 Ilustración 5.5: Gráfico de resultados del sistema de clasificación para RR con FBank y 1 característica, Pre_CPAP----------------------------------------------------------------------------75 Ilustración 5.6: Gráfico de resultados del sistema de clasificación para RR con FBank y 1 característica, Pos_CPAP---------------------------------------------------------------------------76 Ilustración 5.7: Gráfico de resultados del sistema de clasificación para RR con FBank y SaO2, Pre_CPAP-------------------------------------------------------------------------------------80 Ilustración 5.8: Gráfico de resultados del sistema de clasificación para RR con FBank y SaO2, Pos_CPAP-------------------------------------------------------------------------------------80 Índice de Tablas Índice de Tablas Tabla 3.1: Pacientes de entrenamiento-------------------------------------------------------------29 Tabla 3.2: Pacientes para clasificación Pre_CPAP-----------------------------------------------30 Tabla 3.3: Pacientes para clasificación Pos_CPAP-----------------------------------------------31 Tabla 3.4: Número de Apneas (AP) y No Apneas (NAP) para pacientes Pre y Pos CPAP-40 Tablas 5.1: Resultados del sistema de clasificación para 𝑆𝑎𝑂2 con FBank y varianza, Pre_CPAP y Pos_CPAP-----------------------------------------------------------------------------74 Tablas 5.2: Resultados del sistema de clasificación para RR con FBank y 1 característica, Pre_CPAP y Pos_CPAP-----------------------------------------------------------------------------76 Tablas 5.3: Resultados del sistema de clasificación para RR y 𝑆𝑎𝑂2 con FBank y otras características, Pre_CPAP y Pos_CPAP-----------------------------------------------------------81 Tablas 5.4: Resultados del sistema de clasificación para RR con FBank, Entropía de permutación y Variable simbólica, Pre_CPAP y Pos_CPAP-----------------------------------84 Tablas 5.5: Resultados del sistema de clasificación para RR y 𝑆𝑎𝑂2 con FBank, Entropía de permutación y Variable simbólica, Pre_CPAP y Pos_CPAP-----------------------------------85 Tablas 5.6: Resultados del sistema de clasificación para RR,con Entropía de permutación y Variable simbólica, Pre_CPAP y Pos_CPAP-----------------------------------------------------86 Tablas 5.7: Resultados del sistema de clasificación para RR y 𝑆𝑎2 con, Entropía de permutación y Variable simbólica, Pre_CPAP y Pos_CPAP-----------------------------------86 Índice de Tablas Acrónimos Acrónimos (en orden alfabético) AASM: American Academy of Sleep Medicine AV: Atrio ventricular. BBDD: Base de datos. BPAP: Bilevel Positive Airway Pressure CEAMS: Comité Español para la Acreditación en Medicina de Sueño. CPAP: Presión de aire positivo continuo. ECG o EKG: electrocardiograma. EDF: European Data Format EEG: Electroencefalograma. EITE: Escuela Universitaria de Telecomunicación y Electrónica. EMG: Electromiograma. EOG: Electrooculograma. FA: Fibrilación auricular. HTA: Hipertensión arterial. HuGCDN: Hospital Universitario Gran Canaria Doctor Negrín IAH o AIH (inglés): índice de Apnea/Hipoapnea por hora de sueño. IC: Insuficiencia Cardíaca. IMC: Índice de masa corporal. NP: Noche partida o dividida PE: Permutation Entropy PFC: Proyecto de fin de Carrera. PR: Poligrafía respiratoria. ROC: Receiver Operating Curve. PSG: Polisomnografía SaO2: Saturación de Oxígeno. SAHS: Síndrome de Apnea Hipo apnea del sueño. SAHOS: Síndrome de Apnea Hipo apnea obstructiva del sueño. SEPAR: Sociedad Española de neumología y cirugía torácica. Acrónimos SICUE: Sistemas de intercambio entre Centros Universitarios Españoles. TRS: Trastornos respiratorios del sueño. TFG: Trabajo fin de grado. UAS: Unidad Asistencial del Sueño. ULPGC: Universidad de Las Palmas de Gran Canaria. VS: Variable Simbólica Parte I: Memoria Parte I: Memoria Parte I: Memoria Capítulo 1: Introducción 1 Capítulo 1 Visión Global 1.1 Perspectiva Personal El motivo por el cual he elegido esta temática de Trabajo Fin de Grado (TFG) ha sido desde hace tiempo el deseo personal de ver hecho realidad, el poder fusionar la ingeniería de telecomunicación y electrónica, con un campo tan complejo como es la ciencia médica. Desarrollar esta conjunción profesional de tal manera que sea útil a la sociedad actual y futura. Así, parto de la ingeniería, vista desde una perspectiva novedosa y práctica hasta adentrarme en un campo tan complejo y ancestral como lo es la medicina, hasta tal punto que pueda aportar mejoras en el diseño de herramientas eficaces para ayudar a las personas. Como resultado de esto, por añadidura, avanzar hacia una mejor calidad de vida así como hacer menor el coste de salud pública al Estado. Recordando que las tecnologías que se van implantando en las distintas áreas de aplicación siendo uno de los mayores intereses que Capítulo 1: Introducción 2 tenemos los ingenieros el de resolver problemas comunes y complejos y, a la vez, de facilitar el acceso de dicha tecnología a todos los sectores de la sociedad. 1.2 Síndrome de Apnea e Hipoapnea del Sueño. El síndrome de Apnea/Hipoapnea del Sueño (SAHS, en adelante) se define como una patología respiratoria. Aquellas personas que padecen de ello, experimentan una o más pausas respiratorias o bien tienen una respiración superficial durante el sueño. Dichas pausas pueden durar entre pocos segundos, y varios minutos en casos severos [1], y son provocadas por un colapso parcial o total de la vía aérea superior asociado a hipoxemias o microdespertares (arousals) recurrentes. En la ilustración 1.1 se puede ver una descripción gráfica con explicación del proceso. Normalmente, mientras se duerme, los músculos que controlan la lengua y el paladar blando mantienen la vía respiratoria abierta Si estos músculos se relajan la vía respiratoria se estrecha. Esto causa ronquidos y dificultades para respirar. Si estos músculos se relajan demasiado, la vía respiratoria puede bloquearse completamente impidiendo la respiración. A esta condición se le denomina Apnea Obstructiva del Sueño. Ilustración 1.1: Cómo se llega a producir una apnea por obstrucción de las vías aéreas superiores. [2] Capítulo 1: Introducción 3 Las apneas del sueño se clasifican dependiendo de la presencia o ausencia del estímulo central para la respiración [3, 4]:  Apnea central: se caracteriza por la ausencia de movimientos ventilatorios producto de la inhibición de la actividad del centro respiratorio (mayor 10s.).  Apnea obstructiva: se caracteriza por el cese del flujo aéreo por oclusión de la vía aérea debida al colapso parcial o total de la vía aérea superior con hipoventilación alveolar, a pesar de que persisten los esfuerzos ventilatorios tóraco-abdominales (mayor 10s), acompañado de desaturación mayor de 4% y/o microdespertares.  Apnea mixta: se caracteriza por comenzar como una apnea central, seguida de un componente obstructivo. La cuantificación del SAHS [5], según la Academia Americana de Medicina del Sueño, se hace en base al índice de Apnea/Hipoapnea por hora de sueño (IAH) o Apnea– Hypopnea Index (AHI, en delante) por su acepción en inglés, definido este como la suma de apneas e hipopneas por hora de sueño. Para ello, se considera patológico cuando este índice tiene un valor superior a 5 si bien este índice puede variar según considere el experto médico. Atendiendo al AHÍ se hace una clasificación del SAHS con tres niveles:  Leve: entre 5-15 apneas por hora de sueño.  Moderado: entre 15-30 apneas por hora de sueño.  Severo: mayor a 30 apneas por hora de sueño. 1.3 Síntomas y signos. Los microdespertares o arousals, inducen disrupción y alteración de la arquitectura del sueño, lo que explica los síntomas diurnos y nocturnos, que padecen los pacientes, tales como [5]:  Síntomas nocturnos: ronquidos, despertares nocturnos con sensación de asfixia, piernas inquietas, entre otros  Síntomas diurnos: hipersomnia diurna, Trastornos Anímicos, problemas de concentración, fallas de memoria, cefalea matinal persistente y otros. Capítulo 1: Introducción 10 (EKG o ECG). Del EKG se obtiene la variabilidad de frecuencia cardíaca en forma de señal RR, que es la secuencia de valores consecutivos que dan el tiempo de retardo entre un latido del corazón y el siguiente. Es la señal RR la que se usa.  Objetivo 2: Análisis de señales. Una vez que se tiene las señales extraídas a partir de poligrafía, es necesario a su vez, extraer de ellas la información característica. Dentro de este objetivo hay que entrar a discutir sobre el tipo de parametrización a utilizar, pues de las características que se extraigan, hay que buscar la información más significativa que permite discriminar entre momentos de apnea y de no apnea, y caracterizar la respuesta del corazón antes y después del tratamiento. En esta búsqueda se trabaja con nuevos métodos de extracción de características.  Objetivo 3: Clasificación. En este objetivo se obtendrán resultados indicativos de la calidad de la cuantificación minuto a minuto de eventos de apnea, y final por pacientes.  Objetivo 4: Análisis pre y post-tratamiento con CPAP. Este objetivo tiene como finalidad aplicar técnicas estadísticas que ayuden a hacer un seguimiento de la evolución del paciente antes y después del tratamiento, y sacar conclusiones de la influencia en la mejora de calidad de vida del paciente. 1.8 Organización de la memoria. La presente memoria está compuesta por 6 capítulos y 4 anexos, así como los apartados de Programas, Pliego de Condiciones y Presupuesto. A continuación, se describe brevemente el contenido de cada uno de ellos:  Capítulo 1: Introducción. Introducción al problema planteado, conocimientos generales del problema y los estudios precedentes para resolverlo. Se describen los objetivos principales del proyecto.  Capítulo 2: Diagnóstico y tratamiento del SAHS. Se explican los distintos procedimientos utilizados actualmente para diagnosticar el SAHS, así como sus posibles tratamientos.  Capítulo 3: Señales Polisomnográficas y Bases de datos. Se describen las características de la base de datos utilizada para el presente proyecto, así como la base de datos de entrenamiento de sistema, y el origen de las mismas.Por otro lado, Capítulo 1: Introducción 11 se explica el método de obtención de señales derivadas de la PSG, tales como, el EKG y la saturación de oxígeno. Se describe la forma de segmentar la señal para utilizarla en el software.  Capítulo 4: Extracción de características y clasificación. Descripción de los tipos de variables que se van a utilizar. Explicación de los diferentes test de hipótesis que se aplican en los parámetros clínicos. Introducción al clasificador empleado en el proyecto. Se explica la metodología de entrenamiento seguida y cómo se seleccionan las variables más significativas del proceso  Capítulo 5: Detección automática de SAHS. Presentación de resultados obtenidos por todo el sistema.  Anexo A: Contenido en formato digital. Se describe la forma de presentar los archivos dentro de los CD-ROM aportados junto a esta memoria.  Parte II: Programas. Se exponen las diferentes funciones creadas y modificadas, que han sido utilizadas, explicando sus parámetros de entrada y salida.  Parte III: Pliego de Condiciones. Es el documento contractual, de carácter exhaustivo y obligatorio en el cual se establecen las condiciones del proyecto.  Parte IV: Presupuesto. Se detalla el presupuesto necesario para la realización de este Trabajo de fin de Grado. Capítulo 1: Introducción 12 Capítulo 2: Diagnóstico y tratamiento del SAHS 13 Capítulo 2 Diagnóstico y tratamiento del SAHS. 2.1 Introducción Debido al amplio cuadro clínico que tiene el SAHS, su diagnóstico en un primer momento se basa en un interrogatorio y exploración física, que suelen ser insuficientes. La historia clínica obtenida por un especialista en enfermedades del sueño tiene una sensibilidad apenas del 64% para diagnosticarlo. Esto es, de todos los episodios de apnea/hipopnea solo un 64% son detectados. Existen varias ecuaciones (p.e., de predicción clínica), que se explicarán más adelante, de predicción clínica que permiten incrementar la eficiencia del diagnóstico [9]. Los tratamientos que se utilizan una vez hecho el diagnóstico oportuno pueden ir desde medidas generales (control de peso, control de adicciones, etc.), medicamentos, Capítulo 2: Diagnóstico y tratamiento del SAHS 14 dispositivos mecánicos como dispositivos orales y dispositivos de presión positiva en la vía aérea, hasta el tratamiento quirúrgico. El objetivo del presente TFG, se enfocará en dispositivos mecánicos de Presión Positiva Continua en la Vía Aérea o Continuous Positive Airway Pressure (CPAP), por su acepción en inglés. 2.2 Diagnóstico En la ilustración 2.1, se muestra el procedimiento de actuación ante la sospecha de SAHS. Como se puede observar, los ronquidos y las apneas observadas, conforman un patrón común de síntomas, junto con el Índice de Masa Corporal (IMC), y la somnolencia diurna excesiva, como se ha comentado en el capítulo anterior. Ilustración 2.1: Algoritmo de actuación ante la sospecha SAHS. PR: poligrafía respiratoria (ya sea a domicilio o en el hospital). PSG: polisomnografía convencional [8] Capítulo 2: Diagnóstico y tratamiento del SAHS 15 Ante el diagnóstico del SAHS, una de las herramientas utilizadas para poder desarrollar la historia clínica del paciente, y evaluar la somnolencia diurna excesiva es “la escala de somnolencia de Epworth”. Se trata de un cuestionario autoaplicable y validado, donde el paciente califica la probabilidad de quedarse dormido o de “cabecear” ante ocho situaciones de baja estimulación. El puntaje mínimo es 0 y el máximo es 24, y se considera significativo cuando su resultado es ≥ 11 [9]. En la ilustración 2.2, se puede ver el listado de preguntas y la puntuación a la que corresponden las respuestas. 2.2.1 Modelos de predicción clínica El hecho obtener un primer diagnóstico con un grado de sensibilidad del 64% conlleva a tener que utilizar otros modelos de predicción. A parte de la escala de somnolencia de Epworth, casi todos ellos utilizan medidas antropométricas, como el índice de masa corporal o el perímetro del cuello, así como alteraciones del sueño referidas, tales como ronquidos, pausas de apnea o despertares asfícticos. A modo de ejemplo se incluyen algunos de los modelos utilizados para determinar la probabilidad de padecer SAHS. Modelo desarrollado por Crocker, utiliza la siguiente fórmula (2.1) para establecer la probabilidad de SAHS. Prob(Crocker)= 1 1+𝑒−(−13,9 + 0,06∗𝑒𝑑𝑎𝑑 + 2,98∗𝑎 + 0,23∗𝐼𝑀𝐶 + 1,35∗𝑏) (2.1) Ilustración 2.2: Escala de somnolencia diurna de Epworth [9]. Capítulo 2: Diagnóstico y tratamiento del SAHS 16 Siendo a = 1 si existen apneas referidos o a=0 si no, y b=1 si existe hipertensión arterial o b=0, si no. Otro modelo que tiene en cuenta otras variables está definido por Vinner, fórmula (2.2) mediante la siguiente ecuación: Prob(Vinner)= 𝑒(−10,5132+0,9164∗𝑠𝑒𝑥𝑜+0,047∗𝑒𝑑𝑎𝑑+0,1869∗𝐼𝑀𝐶+1,932∗𝑟𝑜𝑛𝑞𝑢𝑖𝑑𝑜) 1+𝑒(−10,5132+0,9164∗𝑠𝑒𝑥𝑜+0,047∗𝑒𝑑𝑎𝑑+0,1869∗𝐼𝑀𝐶+1,932∗𝑟𝑜𝑛𝑞𝑢𝑖𝑑𝑜) (2.2) Donde sexo = 1 para hombres y 0 para mujeres y ronquido = 1 para presente y 0 para ausente. Otros modelos establecen una puntuación a partir de la cual definen un punto de corte que determina si ese paciente padece SAHS. Es el caso del modelo de Flemons, fórmula (2.3): Punt.clínica SAHS (Flemons)= (10 - 2,132 + 0,069*PC + 0,31*a + 0,206*b + 0,224*c)+1 (2.3) Siendo PC el perímetro del cuello, las otras tres variables tendrán el valor 1 en caso de padecerlas y 0 en caso contrario, siendo ‘a’ equivalente a hipertensión, ‘b’ a ronquido y ‘c’ a despertares asfícticos. Una puntuación de <5 tiene una probabilidad post-test del 17% y una puntuación >15 tiene una probabilidad post-test del 81%. En el modelo de Sharma la fórmula (2.4) que se utiliza es la siguiente: Punt.clínica SAHS (Sharma)= 1,378 * género + 0,064* WHR +0,21* NC. (2.4) Donde género = 0 en mujeres y 1 en hombres; WHR: porcentaje del índice de cintura cadera normal (tomado este como 0,85); NC perímetro del cuello. El valor de 16,62 se establece como punto de corte. Estos modelos tienen un carácter universal, y funcionan muy bien para descartar la enfermedad, pudiendo usarse como herramientas prioritarias en lugares donde los laboratorios de sueños escaseen [11]. Capítulo 2: Diagnóstico y tratamiento del SAHS 17 2.2.2 Modelos de predicción objetiva: La polisomnografía La polisomnografía (PSG) convencional vigilada por un técnico en el laboratorio de sueño es el método de referencia para el diagnóstico de los pacientes con sospecha de SAHS y otros trastornos no respiratorios del sueño. Consiste en un registro continuo de varios canales de señal como electroencefalograma, electrooculograma y electromiograma mentoniano (para cuantificar las fases del sueño y microdespertares), así como de otras variables para cuantificar los trastornos respiratorios y sus repercusiones (pulsioximetría, flujo aéreo nasobucal mediante cánula nasal y termistor, ronquidos, movimientos toracoabdominales y electrocardiograma). En la Ilustración 2.3 se pude observar un ejemplo de registro polisomnográfico con varios canales de registro. Las desaturaciones se refieren a disminuciones en el nivel de oxígeno en sangre. La PSG se debe realizar en horario nocturno o en el habitual de sueño del sujeto, con un registro no menor de 6,5 horas y debe incluir por lo menos 3 horas de sueño. Hay que destacar que la PSG es una técnica relativamente cara, laboriosa y técnicamente compleja que no está al alcance de todos los centros médicos, y que debido a la gran demanda de exploraciones no se puede utilizar en todos los pacientes [8]. Ilustración 2.3: Fragmento de 2 minutos de duración de una polisomnografía. Están señalados: ronquidos, movimiento de extremidades, 1 apnea mixta (al inicio del evento el esfuerzo respiratorio está ausente mientras que en la segunda parte se instala el esfuerzo y a pesar de ello persiste la apnea), 2 apneas obstructivas (el esfuerzo respiratorio se conserva durante toda la apnea) y las desaturaciones. [9] Capítulo 2: Diagnóstico y tratamiento del SAHS 18 Tipos de Polisomnografía PSG Basal: Es una monitorización completa durante toda la noche, con las variables previamente descritas, cuyo objetivo es realizar el diagnóstico de la patología del sueño sospechada. PSG Tipo Noche Dividida: Existe una creciente tendencia a realizar cada vez más frecuentemente este tipo de estudio, básicamente por razones económicas y por ahorro de tiempo, en el sentido que en una misma noche se busca lograr el diagnóstico definitivo de Apneas del Sueño y, al mismo tiempo, determinar el tratamiento efectivo mediante mascarillas a presión positiva continua de aire (CPAP). Consiste en que la primera mitad de la noche se realiza un estudio PSG de tipo diagnóstico o basal y la segunda mitad de la noche, se indica la titulación con CPAP para determinar la presión óptima de tratamiento, que corrige dichas Apneas. De acuerdo a la AASM, este tipo de estudio es válido, siempre que cumpla con 3 criterios fundamentales: 1) AHI> 40 apneas/hora sueño, durante un tiempo mínimo de 120 minutos. AHI entre 20 y 39 apneas/hora de sueño, durante un período mínimo de 120 minutos, asociado a desaturaciones de oxígeno. 2) Tiempo mínimo de Titulación con CPAP es de 3 horas o más. 3) Eliminación o disminución significativa de las Apneas del Sueño mediante el uso de CPAP, lo cual es bien documentado durante el sueño en fase REM (Movimientos oculares rápidos) y en la posición corporal de decúbito supina. Si los criterios anteriores no se cumplen, debe realizarse una segunda noche de examen, realizando la Titulación de CPAP correspondiente, si procede. Más adelante se explicará en mayor profundidad, en el capítulo donde se desarrolla la BBDD, que la “PSG Tipo Noche Dividida”, es la fuente de los datos de donde se extrae toda la información para desarrollar el presente TFG. PSG con Titulación de CPAP: En este caso el paciente ya ha sido diagnosticado como portador de Apneas Obstructivas del Sueño, y el examen tiene por objetivo determinar la presión óptima (cmH20) que permitirá hacer desaparecer las Apneas, los Ronquidos, las Capítulo 2: Diagnóstico y tratamiento del SAHS 19 desaturaciones de Oxígeno, que el paciente logre un sueño profundo, especialmente en fase REM y que sea bien tolerada por él. [9] 2.3.3 Modelos de predicción intermedios Para afrontar las dificultades que se pudieran plantear con los modelos descritos en el apartado anterior, se han desarrollado equipos portátiles que registran solamente las variables respiratorias, por lo que esa técnica se ha denominado poligrafía respiratoria (PR). La American Academy of Sleep Medicine (AASM) ha clasificado los estudios del sueño en 4 tipos:  Tipo 1: PSG convencional vigilada por un técnico en el laboratorio de sueño (con un mínimo de ≥ 7 canales)  Tipo 2: PSG realizada con un equipo portátil y no vigilada por un técnico, (con un mínimo de ≥ 7 canales).  Tipo 3: corresponde a lo que se denomina PR, donde se registra la respiración, esfuerzo toracoabdominal y pulsioximetría (con un total de 4-7 canales).  Tipo 4: corresponde a estudios supersimplificados con aparatos de 1 o 2 canales (oximetría y/o respiración). A pesar del gran número de estudios que confirman la utilidad de la PR (en el hospital y en el domicilio), en los últimos años se hecho diversas publicaciones donde, se avala el uso de la PR a domicilio. En uno de ellos, publicado por la AASM [20] se concluye que los registros no vigilados con monitores de tipo 3 (PR) se pueden usar como alternativa a la PSG en pacientes con una probabilidad moderada o alta de SAHS. En otro documento oficial de Medicare [21] se aceptan como métodos diagnósticos para poder prescribir CPAP los monitores tipo 2, 3 o 4 (con al menos 3 canales). Por todo ello, se considera que la PR (tanto en el hospital como en el domicilio) es un método aceptable para confirmar el diagnóstico de los pacientes con sospecha clínica de SAHS moderada o alta (recomendación consistente, calidad de evidencia moderada). La utilización de la PR para los casos con probabilidad baja de SAHS no está validado pero forma parte de la práctica clínica habitual. La PR permite reducir los costes y el tiempo de espera, y hace accesible el diagnóstico del SAHS a los centros que no dispongan Capítulo 2: Diagnóstico y tratamiento del SAHS 26 Capítulo 3: Señales Polisomnográficas y Base de Datos 27 Capítulo 3 Base de Datos y Señales Polisomnográficas 3.1 Introducción En este capítulo se presenta la Base de datos utilizada, tanto para entrenar el sistema como para hacer la clasificación de los pacientes. Así mismo, se indicará su origen, su estructura, los datos que desde el servicio médico se facilitan que a su vez sirven como herramienta de comparación entre el sistema manual y el sistema automático. Por otro lado, se hace un detallado estudio de las señales extraídas de la PSG, se analizara y se discutirá cómo se han obtenido las señales, las diferentes técnicas de preprocesado utilizadas para dichas señales, y el tratamiento posterior que se les da a las mismas. Capítulo 3: Señales Polisomnográficas y Base de Datos 28 3.2 BBDD Hospital Universitario de Gran Canaria Doctor Negrín Una buena base de datos es fundamental para el diseño de un sistema de clasificación pues a partir de esta se hace el aprendizaje del sistema, se obtienen los patrones asociados a las distintas clases, que en este caso será “apnea” frente a “no apnea”, antes y después de un tratamiento con CPAP. Estos patrones serán comparados con la base de datos que se pretende clasificar definitivamente. 3.2.1 Composición Esta base de datos ha sido rigurosamente seleccionada por especialistas neumólogos del Hospital Universitario Gran Canaria Doctor Negrín. Uno de los rasgos diferenciadores en este TFG es que se posee una base de datos con pacientes que han sido diagnosticados como enfermos de SAHS y, como consecuencia, acuden a la unidad del sueño para tratar su patología. La base de datos se compone de pacientes enfermos a los cuales, en la fase de diagnóstico, se les asocia su correspondiente IAH, dando lugar a indicar un grado de severidad de la enfermedad. Por otra parte, se indica el sexo al que pertenece. La forma de captación de los datos, tal como como se comenta en el capítulo 2, se lleva a cabo en una UAS, mediante un tipo de PSG denominada “PSG Tipo Noche Dividida”. Para considerar la validez de los datos recogidos los pacientes han debido dormir por lo menos 3 horas y como máximo 8. De cada paciente, entre todas las señales que se graban en la PSG, extraemos tanto el ECG como la 𝑆𝑎𝑂2. Ambas señales están marcadas manualmente por el especialista del sueño, indicando donde presenta apnea o no apnea. Se entiende, pues, que nuestro aprendizaje está guiado por los especialistas neumólogos. Pacientes para entrenamiento: Los pacientes que se usan para entrenamiento han sido convenientemente elegidos por ser representativos de sus clases, y no se usarán en ningún caso para test. Estos pacientes son de dos tipos: Capítulo 3: Señales Polisomnográficas y Base de Datos 29  Control: Son pacientes que no presentan patología vinculada a la apnea. Son considerados pacientes sanos pues presentan un índice de apneas (IAH) menor que 5. Hay 10 pacientes de control en esta base de datos (Tabla 3.1).  Desaturadores: Son pacientes con un IAH mayor a 25, son considerados pacientes enfermos, cuya señal de saturación de oxígeno presenta caídas en los momentos en los que se produce una apnea. En esta base de datos se han registrado 9 pacientes con estas características (Tabla 3.1). Pacientes para verificación o test: La Base de datos de verificación (test) consta de 41 pacientes, 37 hombres y 4 mujeres. En este caso, el proceso de captación consiste en tomar las señales durante la primera mitad de la jornada nocturna, despertar al paciente, colocarle la mascarilla CPAP, después de un corto período de adaptación, continuar captando las señales de la PSG. Debido a ello se marcan todos ellos como “NP” que indica noche partida o dividida. Por otro lado, para la base de datos de Test, se hace una diferenciación entre pacientes que aún no han sido sometidos al tratamiento (Pre_CPAP: p.e. “NP_001_1”) y después de haberse sometido al tratamiento (Pos_CPAP: p.e. “NP_001_2”). Tanto la base de datos “Pre_CPAP” (tabla 3.2), como “Pos_CPAP” (tabla 3.3) que indica a los paciente antes y después del tratamiento, serán procesadas por el clasificador y se marcará en cada paciente cuántas apneas presenta, y en qué momentos ocurren, Control Desaturadores CON001 DES001 CON002 DES002 CON003 DES003 CON004 DES004 CON005 DES005 CON006 DES006 CON007 DES007 CON008 DES008 CON009 DES009 CON010 Tabla 3.1: Pacientes de entrenamiento. Capítulo 3: Señales Polisomnográficas y Base de Datos 30 comparando estos datos con el etiquetado manual del especialista del sueño. En paralelo se verifica cómo está trabajando su corazón, si se están produciendo taquicardias o bradicardias, y cómo se comporta la señal de 𝑆𝑎𝑂2. Todo ello con el objetivo de verificar si el tratamiento tiene el efecto deseado en el paciente, cómo trabaja su corazón después del tratamiento y cómo evoluciona su señal de 𝑆𝑎𝑂2 después de usar CPAP. A continuación se presentan datos de interés de la base de datos en la que se proporciona IAH y sexo así como el nombre de los ficheros asociados de los que se han quitado datos identificativos de los pacientes. Pacientes Pre_CPAP: Previo al uso de la mascarilla CPAP. Nombre en BBDD IAH Sexo Nombre en BBDD IAH Sexo NP_001_1 94 V NP_0021_1 76 V NP_002_1 81 M NP_0022_1 41 V NP_003_1 26 V NP_0023_1 84 V NP_004_1 114 V NP_0024_1 37 V NP_005_1 64 V NP_0025_1 79 V NP_006_1 81 V NP_0026_1 48 V NP_007_1 113 V NP_0027_1 91 V NP_008_1 100 V NP_0028_1 89 V NP_009_1 74 M NP_0029_1 88 M NP_0010_1 51 V NP_0030_1 38 V NP_0011_1 102 V NP_0031_1 43 V NP_0012_1 53 V NP_0032_1 25 V NP_0013_1 73 V NP_0033_1 93 V NP_0014_1 53 V NP_0034_1 80 V NP_0015_1 84 V NP_0035_1 26 V NP_0016_1 128 M NP_0036_1 32 V NP_0017_1 54 V NP_0037_1 62 V NP_0018_1 26 V NP_0038_1 21 V NP_0019_1 39 V NP_0039_1 38 V NP_0020_1 101 V NP_0040_1 119 V NP_0041_1 58 V Tabla 3.2: Pacientes para clasificación Pre_CPAP. Capítulo 3: Señales Polisomnográficas y Base de Datos 31 Pacientes Pos_CPAP: Posterior al uso de la mascarilla CPAP. Nombre en BBDD Sexo Nombre en BBDD Sexo NP_001_2 V NP_0021_2 V NP_002_2 M NP_0022_2 V NP_003_2 V NP_0023_2 V NP_004_2 V NP_0024_2 V NP_005_2 V NP_0025_2 V NP_006_2 V NP_0026_2 V NP_007_2 V NP_0027_2 V NP_008_2 V NP_0028_2 V NP_009_2 M NP_0029_2 M NP_0010_2 V NP_0030_2 V NP_0011_2 V NP_0031_2 V NP_0012_2 V NP_0032_2 V NP_0013_2 V NP_0033_2 V NP_0014_2 V NP_0034_2 V NP_0015_2 V NP_0035_2 V NP_0016_2 M NP_0036_2 V NP_0017_2 V NP_0037_2 V NP_0018_2 V NP_0038_2 V NP_0019_2 V NP_0039_2 V NP_0020_2 V NP_0040_2 V NP_0041_2 V Las señales han sido muestreadas con diferentes frecuencias. Aquellas que, según su naturaleza, son más estables y no tienen grandes variaciones han sido muestreadas con una frecuencia inferior que aquellas que sufren rápidas variaciones y es interesante detectar los cambios en ellas. Las frecuencias de muestreo adoptadas son las siguientes:  𝑆𝑎𝑂2: 50 Hz.  ECG: 200 Hz. Tabla 3.3: Pacientes para clasificación Pos_CPAP. Capítulo 3: Señales Polisomnográficas y Base de Datos 32 3.3 Preprocesado de señales El conjunto de señales obtenidas directamente de la polisomnografía deben ser acondicionadas para ser procesadas en MatLab. Partiendo de la BBDD y el método de obtención, en las señales se deben realizar diferentes preprocesados, que se comentará en los apartados siguientes. La base de datos de HuGCDN incorpora todas las señales proveniente de la PSG, de las cuales solo se utilizarán las señales de ECG y de 𝑆𝑎𝑂2. Cuando se produce una apnea, la frecuencia cardíaca tiende a disminuir (bradicardia) y suele aumentar al finalizar esta (taquicardia), en las señales de 𝑆𝑎𝑂2, se suelen observar caídas en sus valores ante la presencia de una apnea. Se puede deducir que tanto el ECG como la SaO2 presentarán variaciones que serán de utilidad para diagnosticar los momentos de apnea. Junto con las señales del ECG y de 𝑆𝑎𝑂2, existe un fichero de texto generado manualmente que indica si en ese minuto se ha producido apnea o no. Todas las señales recopiladas durante la noche de estudio del paciente, son convertidas a formato EDF (European Data Format). Este tipo de formato fue desarrollado por ingenieros del campo de la medicina para intercambiar y almacenar fácilmente múltiples canales biológicos y fisiológicos [50]. Desde la misma página web donde se especifica el formato, se pueden descargar varios programas para visualizar las diferentes señales. Uno de ellos es el Polyman, el cual es un software que ofrece distintas opciones de análisis automático, así como opciones para realizar anotaciones sobre las señales. Su interfaz gráfica se puede ver en la ilustración 3.1. Polyman también permite extraer otro tipo de información como la frecuencia de muestreo utilizada para cada señal, el canal en el que se guardó cada señal o información propia del paciente diagnosticado. Una vez se tienen localizados los canales correspondientes a las señales que se van a utilizar, se utiliza un pequeño programa que convierte esos datos a un tipo de formato que pueda ser leído por MatLab [11]. Capítulo 3: Señales Polisomnográficas y Base de Datos 33 3.3.1 Electrocardiograma El electrocardiograma (ECG o EKG) es un examen que detecta la actividad eléctrica del corazón, la cual se registra desde la superficie corporal del paciente y se puede representar tanto de manera mecánica como digital, mediante un electrocardiógrafo. Del corazón se podría decir que es un órgano movido por electricidad. Cada latido, es decir, contracción del músculo cardiaco, cada movimiento de las válvulas del corazón, son Ilustración 3.1: Visualización de señales en Polyman. Capítulo 3: Señales Polisomnográficas y Base de Datos 34 comandados por pequeños impulsos eléctricos generados en el propio corazón [48]. Gracias al ECG se puede identificar los patrones normales de transmisión y generación de estos impulsos eléctricos. Las anomalías en la actividad eléctrica cardiaca son señales claras de que hay problemas con su correcto funcionamiento, o en este caso que el paciente presente apnea. El ECG es una de las señales de la PSG que se capta mediante electrodos de superficie sobre las extremidades o el pecho, se colocan como se indica en la ilustración 3.2. Por esta razón es de muy fácil obtención, y poco robusta ya que está propensa a perder su estabilidad, precisamente a causa de la posición de los electrodos y el movimiento del paciente, presentando zonas de vacío o caídas de señal que se denominan “artefactos”. Para solucionar esta limitación inherente a esta señal se debe recurrir a técnicas avanzadas de procesado de señal que permitan recopilar toda la información que da el ECG. El estímulo eléctrico nace en el propio corazón, en la región llamada nodo sinusal, localizada en el ápice del atrio izquierdo. El nodo sinusal produce continuamente y de modo regular impulsos eléctricos que se propagan por todo el corazón. Los impulsos eléctricos se distribuyen por todo el músculo cardiaco induciendo la entrada de iones de calcio (𝐶𝑎2+) en las células del corazón, un proceso llamado de despolarización eléctrica. Despolariza primero el atrio derecho y después el atrio izquierdo. Después de pasar por los atrios, el impulso eléctrico llega al nódulo atrioventricular (AV), en la división entre los atrios y el ventrículo. En este momento, el impulso sufre un pequeño retardo, que sirve para que los atrios se contraigan antes que los ventrículos. En el nodo atrioventricular (AV), después de algunos milisegundos de espera, el impulso eléctrico es transmitido hacia los dos ventrículos, de manera que sus células se despolaricen. La despolarización estimula la contracción del músculo y el bombeo de sangre por el corazón. Después de la contracción, grandes cantidades del ion potasio (𝑁𝑎+) salen de las células, en un proceso llamado de repolarización, que prepara las células musculares para una nueva despolarización. Ilustración 3.2: Posición de electrodos para captación de ECG. Capítulo 3: Señales Polisomnográficas y Base de Datos 35 Mientras no haya repolarización, la célula muscular no se contraerá nuevamente, por más que reciba estímulos eléctricos El impulso eléctrico demora 0,19 segundos para recorrer todo el corazón [48]. En la ilustración 3.3 se asocia a cada sección y movimiento del corazón en funcionamiento un determinado tipo de señal hasta llegar a obtener el pulso propiamente dicho. La secuencia de pulsos es lo que formará el ECG.  La onda P es el trazo que corresponde a la despolarización de los atrios (contracción de los atrios).  El intervalo PR es el tiempo entre el inicio de la despolarización de los atrios y de los ventrículos.  El complejo QRS es la despolarización de los ventrículos (contracción de los ventrículos).  El segmento ST es el tiempo entre el fin de la despolarización y el inicio de la repolarización de los ventrículos.  La onda T es la repolarización de los ventrículos, que pasan a ser aptos para la nueva contracción. Cada latido cardiaco está compuesto por una onda P, un complejo QRS y una onda T [48]. Ilustración 3.3: Composición de un pulso de un ECG. Capítulo 4: Extracción de Características y Clasificación 42 que no. Es decir, las características que nos interesan han de ser relevantes ante dos eventos, presencia de apnea y no presencia de apnea. Conviene destacar las propiedades más importantes que deben tenerse en cuenta en el momento de elegir el método de extracción de características para hacer una clasificación con un alto porcentaje de acierto.  Capacidad discriminante: Indica que los valores numéricos a las características deben ser diferentes para objetos de clases distintas.  Incorrelación: Las características obtenidas para las clases no deben depender estadísticamente entre sí, esto es, su correlación cruzada ha de ser nula.  Fiabilidad: Ante señales asociadas a eventos de una misma clase siempre se ha de tener información del mismo tipo.  Rapidez de cálculo: El cálculo de las características deber ser rápido, pues este proceso puede ser clave en sistemas ejecutados en tiempo real. Existen tres grupos principales de métodos mediante los cuales se pueden obtener características:  Temporales: Se parte de la señal original y se extraen características asociadas a la variación en el tiempo.  Frecuenciales: Se trabaja con la señal en el dominio transformado de Fourier.  Transformados: Se parte de características temporales o frecuenciales a las que se le aplican métodos de transformación con la finalidad de mejorar las propiedades descritas. 4.2 Variables Temporales Transformadas Los parámetros que se aplican a la señal en el dominio del tiempo típicamente son: La media, la desviación típica o la varianza. En este apartado se comenzará por este tipo de variables, que suponen una transformación sencilla de las series temporales. En apartados posteriores se hará especial mención y uso de nuevos conceptos que parten de una transformación muy elaborada de los datos de partida. Esto se hace en base a su complejidad bien a través del concepto de la entropía de permutación, o bien con la Capítulo 4: Extracción de Características y Clasificación 43 creación de unas variables simbólicas a través de la cuantificación de unos patrones de dichas variables. Esto es objeto específico de estudio en este TFG. En la cuantificación de entropía de permutación (Permutation Entropy, PE) e parte de su definición a través de la entropía de Shannon propuesta en la literatura [31, 33], y se generaliza a otras entropías como las de Réyni y Tsallis [32]. Se ha demostrado que la entropía es una herramienta poderosa para el análisis de series temporales, permitiendo describir las distribuciones de probabilidad del estado de un sistema y, por lo tanto, la información codificada en el mismo. La entropía de permutación, tiene la cualidad de la simplicidad, robustez y bajo coste computacional [29], frente a otro tipo de transformaciones no lineales. Por su parte, la variable simbólica provee una clase de características que transforma una serie temporal en una secuencia de símbolos [34]. Se parte de un alfabeto finito para generar una secuencia que puede ser caracterizada estadísticamente. Para símbolos de 2 estados, la cuantificación de la dinámica simbólica se hace en base a la repetición de unos patrones de símbolos dados y su probabilidad asociada mediante las variables POLVAR. Para símbolos de 4 estados, una medida útil se obtiene a partir de la detección un alto porcentaje de palabras que solamente consisten en parejas dadas de símbolos que se denomina WPSUM. 4.2.1 Media La media, también llamada promedio o media aritmética [37], comúnmente es un valor característico de una serie de datos que se encuentran bajo estudio a los cuales se les aplica una simple operación matemática que consiste en sumar todos los valores de la señal y dividirla entre el número total de muestras. Para el caso de este estudio y específicamente en señales eléctricas, la media es un parámetro típico para analizar la componente continua de la señal [11]. 𝑚𝑒𝑑𝑖𝑎 𝑥=1 𝑁∗(∑ 𝑥𝑖 𝑁 𝑖=1 ) (4.1) Capítulo 4: Extracción de Características y Clasificación 44 4.2.2 Desviación típica y varianza La desviación típica o desviación estándar [39] es una media de dispersión de los datos con respecto al promedio, matemáticamente se define así: 𝐷𝑒𝑠𝑣𝑖𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑡á𝑛𝑑𝑎𝑟=𝜎=√1 𝑁−1∗∑ (𝑥𝑖−𝑥)2 𝑁 𝑖=1 (4.2) La varianza [38] deriva de la desviación estándar y evidentemente también representa una medida de dispersión de datos, matemáticamente se define así: 𝑉𝑎𝑟𝑖𝑎𝑛𝑧𝑎=𝑠=𝜎2=1 𝑁−1∗∑ (𝑥𝑖−𝑥 )2 𝑁 𝑖=1 (4.3) Una vez calculada la varianza, y con el objetivo de obtener un margen dinámico más pequeño, de tal manera que los datos no sean muy dispares, se aplican logaritmos. 4.2.3 Entropía de permutación La detección de los cambios dinámicos cualitativos y cuantitativos en los sistemas complejos, tanto naturales como artificiales, es uno de los problemas más importantes de la física, ingeniería, ciencias económicas, y medicina, donde la detección precisa de las transiciones de un estado normal a un estado anormal puede mejorar el diagnóstico y el tratamiento [29, 30] de un problema dado. Bandt y Pompe en el 2002 [40] presentaron el concepto de entropía de permutación (PE), como un método análisis que mide la complejidad de series de tiempo. La PE es conceptualmente simple y computacionalmente muy rápido. Estas dos características motivan a explorar si este concepto puede ser utilizado eficazmente para detectar cambios dinámicos en series temporales complejas [30]. A continuación se definirá la PE, se hará una comparación cualitativa entre sus diferentes definiciones y se presentará la aplicación del método, mediante un ejemplo de cálculo numérico detallado. Capítulo 4: Extracción de Características y Clasificación 45 4.2.3.1 Definición de la medida de entropía En el contexto de la teoría de la probabilidad, la entropía cuantifica la complejidad de una serie temporal dada, tal que 𝑋={𝑥𝑖}𝑖=1…𝑁 [33], donde N es la longitud de la serie temporal. La PE se define a partir de la entropía de Shannon tal como se expresa en (4.4) [32], y es una medida de la incertidumbre en el resultado de un evento en particular. 𝐻𝑆ℎ𝑎𝑛𝑛𝑜𝑛 =−∑𝑝𝑖∗log2𝑝𝑖 𝑛! 𝑖=1 (4.4) Donde n es el orden de permutación y 𝑝𝑖 representa la probabilidad de ocurrencia de los posibles patrones de la secuencia en la serie temporal. La entropía de permutación por cada uno de los patrones viene definida por la expresión (4.5). Usando el término (n-1) se normaliza el valor con el fin de comparar varias definiciones de PE, de tal forma que 0 ≤ ℎ𝑆ℎ𝑎𝑛𝑛𝑜𝑛 ≤ 1. ℎ𝑆ℎ𝑎𝑛𝑛𝑜𝑛 =− 1 (𝑛−1)∗∑𝑝𝑖∗log2𝑝𝑖 𝑛! 𝑖=1 (4.5) Alrededor de esta definición, basada en la entropía de Shannon, han surgido otras que se pueden considerar generalizaciones de esta [31]. Rényi presenta una familia de entropías que convergen en una entropía diferencial cuando 𝛼→1, definida en (4.6). A su vez, Tsallis propuso otra familia de entropías que nos puede ser útil y se presenta en (4.7). Cabe mencionar que la entropía exponencial y la exponencial generalizada fueron presentadas por Campbel, Koski y Persson, para ser aplicada en compresión de datos, Tsallis y la entropía exponencial convergen en una entropía diferencial cuando 𝛼→1 [31]. 𝐻𝑅é𝑛𝑦𝑖 =1 1−𝛼∗log(∑ 𝑝𝑖𝛼 𝑁 𝑖=1 ) Si α ≠ 1 (4.6) 𝐻𝑆ℎ𝑎𝑛𝑛𝑜𝑛 Si α = 1 𝐻𝑇𝑠𝑎𝑙𝑙𝑖𝑠 =1 1−𝛼∗(∑ 𝑝𝑖𝛼 𝑁 𝑖=1 −1) Si α ≠ 1 (4.7) 𝐻𝑆ℎ𝑎𝑛𝑛𝑜𝑛 Si α = 1 Capítulo 4: Extracción de Características y Clasificación 46 4.2.3.2 Comparativa cualitativa de las definiciones La entropía de Shannon [32] se puede usar para evaluar la entropía de las distribuciones de densidad de probabilidad alrededor de algunos puntos. Esta noción de entropía se puede generalizar para proporcionar información adicional acerca de la importancia de eventos específicos, como por ejemplo los valores atípicos o eventos raros. Medidas de entropía definidas con este factor ∑𝑝𝑖𝛼 𝑁 𝑖=1 , dependen del valor de la probabilidad y el valor de α, proporciona control sobre dicho valor de la probabilidad:  Si α >> 0 la medida es más sensible a los acontecimientos que se producen con frecuencia.  Si α << 0, la medida es más sensible a los acontecimientos que ocurren rara vez. Partiendo de la definición de Shannon, Constantino Tsallis y Alfred Rényi proponen nuevas definiciones de entropía. Estas propuestas tiene propiedades similares a la entropía de Shannon, cabe destacar:  Son aditivas.  Tienen un máximo = ln (n) para probabilidades pi = 1 / n. Pero contienen α que representa el grado de sensibilidad a la forma de las distribuciones de probabilidad. 4.2.3.3 Cálculo numérico detallado Como se ha venido indicando, la PE mide la información basada en que aparezcan o no ciertos patrones de permutación, [33] en el rango de valores de la una serie temporal. Para computar o calcular la PE se debe tener una serie temporal {𝑥𝑖} de longitud N y aplicarle los siguientes pasos: 1. Definir el orden de permutación n, esto nos lleva a 𝜋𝑗=1…𝑛!. patrones de permutación, n queda definido como n=1…n. 2. Se inicializa i=1, siendo este el índice de la serie temporal que se considera {𝑥𝑖} i=1…N y el contador 𝑧𝑗=0, para cada patrón de permutación 𝜋𝑗. Capítulo 4: Extracción de Características y Clasificación 47 3. Se calcula los valores en cada posición, de la secuencia 𝑥𝑖,…,𝑥𝑖+𝑛−1, los cuales se van almacenando en 𝑟𝑖,…,𝑟𝑖+𝑛−1, esta nueva secuencia es el valor de cada índice en orden ascendente. 4. Se compara lo que se ha obtenido en el paso 3 con todos los patrones de permutación, y se va aumentando el contador (𝑧𝑘=𝑧𝑘+1) si hay patrones iguales 𝜋𝑘=𝑟𝑖,…,𝑟𝑖+𝑛−1. 5. Si i ≤ N-n, entonces i=i+1 y se comienza en el paso 3 de nuevo, si i ≥ N-n se va al paso 6. 6. Se calcula la frecuencia relativa de todas las permutaciones 𝜋𝑗, por medio de 𝑃𝑗′=𝑧𝑗 ∑𝑧𝑘, de tal manera que se estima su probabilidad.𝑃𝑗. 7. Se selecciona todos los valores 𝑃𝑗′>0, y se calcula su PE, sin contar símbolos con valor “0”.(non zero) Los siete pasos anteriormente redactados quedarán mejor explicado con un ejemplo numérico como se indica a continuación, y en la ilustración 4.1: Considere la serie temporal x = [6, 9, 11, 12, 8, 13, 5] con N = 7.  Paso 1: con n=3, por lo tanto n!=6, se tendrá; 𝜋1= 1, 2, 3; 𝜋2=1,3,2; 𝜋3=2,1,3; 𝜋4= 2,3,1; 𝜋5= 3,1,2; 𝜋6=3,2,1.  Paso 2: inicializar i=1 y 𝑧𝑗=1,…,6=0.  Paso 3: el rango de secuencia 6, 9, 11 corresponde con 1, 2, 3.  Paso 4: es de nuevo igual a 𝜋1, por lo tanto 𝑧1, se incrementa y vale1.  Paso 5 y paso 3: porque i = 1 < 7-3, en los próximos valores 9,11, 12 son seleccionados, y tienen el rango de secuencia 1, 2, 3.  Paso 4: es igual a 𝜋1, por lo tanto 𝑧1, se incrementa 1, y vale 2, el bucle entre el paso 3 y 5 se pasa tres veces más y se tiene finalmente, 𝑧1=2; 𝑧2=0; 𝑧3=1; 𝑧4= 2; 𝑧5=0;𝑦 𝑧6=0.  Paso 6: los valores de los contadores están divididos por sum=5, y se han cargado con 𝑃1′=2/5 𝑃2′=0 𝑃3′=1/5 𝑃4′=2/5 𝑃5′=0 y 𝑃6′=0.  Paso 7: en la base de “no cero 𝑃𝑗′”, con un orden 3, se obtiene: Capítulo 4: Extracción de Características y Clasificación 48 𝐻3= −(2 5∗log22 5+ 1 5∗log21 5+ 2 5∗log22 5)≈1.5, por otro lado la entropía de permutación por patrones es ℎ3= 𝐻3 2≈0.76 La aplicación de PE, específicamente en medicina, [33], con diversos valores del orden de permutación n. En los siguientes casos de aplicación se puede ver los valores asociados:  Aplicada en EEG en estados normales de pacientes, EEG, orden n = 3, 7.  Aplicada EEG de pacientes anestesiados, orden n = 2 – 7.  Aplicada a EEG en pacientes que sufren convulsiones, orden n =5, 20.  Aplicada a EEG de pacientes con convulsiones epilépticas, orden n =3 – 7.  Aplicada al ritmo cardíaco normal, orden n = 3 – 7.  Aplicada al ritmo cardíaco fetal, orden n = 3.  Aplicada al análisis de intervalos latido a latido, orden n = 2 – 18. Ilustración 4.1: Ejemplo Gráfico de entropía de permutación. Capítulo 4: Extracción de Características y Clasificación 49 4.2.4 Variable dinámica simbólica Los resultados de clasificación con bioseñales dependen fuertemente de una correcta elección de características, también llamados parámetros o biomarcadores. En esta sección se evalúa el poder de discriminación de los patrones ordinales estadísticos [34]. 4.2.4.1 Definición de variable simbólica La variable simbólica [34] provee una clase de características que transforma una serie temporal, 𝑋={𝑥𝑖}𝑖=1…𝑁, en una secuencia de símbolos, 𝑆={𝑠𝑖}𝑖=1…𝑁 partiendo de un alfabeto finito. Esta secuencia puede ser caracterizada estadísticamente, nótese que de dos a cuatro símbolos forma una caracterización eficiente para serie de latido a latido. Un ejemplo de descripción simbólica con dos símbolos que pueden ser “0” y ”1”, indica diferencias de intervalos intralatidos, definidos por encima o por debajo de un límite dado ∆𝑚𝑠, como se muestra en la expresión (4.8) 𝑠𝑛(𝑥𝑛)= {0: |𝑥𝑛− 𝑥𝑛−1| < ∆𝑚𝑠 1: |𝑥𝑛− 𝑥𝑛−1| ≥ ∆𝑚𝑠 (4.8) Una característica particular basada en este tipo de secuencia simbólica es POLVARΔ, que estima la probabilidad de ocurrencia de la subsecuencia “000000” o bien “111111”, indicando si los latidos presentan una taquicardia o una bradicardia, respectivamente. En el presente TFG se usará la señal RR, y los valores fijos para Poh_var = “111111”, y Pol_var = “000000”, así mismo, ∆𝑚𝑠 toma valores de 5ms, 10 ms y 20ms. Entre ambos factores se llega a la conclusión de valorar la señal bajo características denominadas POLVAR5, POLVAR10, POLVAR20. Otra definición usando dos símbolos, es aquella presentada por Cysarz, que caracteriza la variabilidad del ritmo cardíaco en pequeñas escalas de tiempo, dando la siguiente secuencia simbólica, definida en la expresión (4.9): 𝑠𝑛(𝑥𝑛)= {0: 𝑠𝑖 𝑅𝑅𝑛−𝑅𝑅𝑛−1≥0 1: 𝑠𝑖 𝑅𝑅𝑛− 𝑅𝑅𝑛−1<0 (4.9) Capítulo 4: Extracción de Características y Clasificación 50 En este caso también el “0”, denota deceleración y el “1”, la aceleración del ritmo cardiaco. Como se puede ver, (4.9) es un caso particular de (4.8) cuando ∆𝑚𝑠=0 Por otro lado, la variable simbólica basada en una cuantificación uniforme con más de dos símbolos fue usada por Porta [41] para la teorización cuantitativa de la información. Esta cuantificación se mostró eficiente para determinar la variabilidad del corazón a corto plazo, siendo aplicada en pacientes con insuficiencia cardíaca congestiva. Wessel [34] muestra otra definición de variable simbólica como la representación de intervalos latido a latido, en series temporales, usando cuatro símbolos, y niveles de cuantificación no uniforme, quedando definida en la expresión (4.10). 𝑠𝑛(𝑥𝑛)= { 0: 𝜇 < 𝑋𝑛 ≤(1+𝑎)∗𝜇 1: (1+𝑎)∗𝜇 < 𝑋𝑛 <∞ 2: (1−𝑎)∗𝜇 < 𝑋𝑛 ≤𝜇 3: 0 < 𝑋𝑛 ≤(1−𝑎)∗𝜇 (4.10) En este caso la transformación en símbolos se obtiene empleando cuatro niveles de cuantificación no uniforme, donde µ es la media de la señal RR, y a es un parámetro que se ha fijado en 0.05 por los autores [34]. Existen varios tipos de cuantificación que caracterizan el resultado de las cadenas de símbolos. En este trabajo se analiza la frecuencia de distribución para palabra de tres símbolos, definido en W=3, aunque existen otros tipos de subsecuencias que se citan el artículo [34]. No obstante, los valores escogidos cumplen son de compromiso, esto es, que la resolución dinámica sea suficiente y una adecuada estimación de la distribución de probabilidad. Una medida útil para el decrecimiento de la variabilidad del ritmo cardíaco es un alto porcentaje de palabras que solamente consisten en símbolos ‘0’ y ‘2’, que se denomina WPSUM02. Por otro lado, el indicador del incremento de la variabilidad del ritmo cardíaco se denomina WPSUM13 y estima el porcentaje de todas las palabras que contienen símbolos ‘1’ y ‘3’. Estas herramientas de análisis son las usadas en el presente TFG, para obtener los parámetros adecuados que caractericen la señal electrocardiográfica. Capítulo 4: Extracción de Características y Clasificación 51 4.3 Variables en frecuenciales transformadas En este tipo de dominios se, hace una transformación de la señal al dominio de la frecuencia para someterla después a otro tipo de estudio de los parámetros extraídos. 4.3.1 Banco de filtros Los parámetros extraídos por un banco de filtros o FBANK, por su nombre en inglés Filter Bank, se obtienen a partir del estudio en el dominio frecuencial de la señal [11], para transformar la señal del dominio del tiempo al dominio frecuencial, es necesario aplicarle la transformada de Fourier [35], a la señal de estudio. La Transformada de Fourier, se puede aplicar a funciones periódicas reales, pero en este caso no se parte de señales analógicas, sino de señales digitalizadas, que se pueden considerar continuas a efectos prácticos, y denominarlas “series temporales”, como se ha hecho. La definición de transformada de Fourier (DFT) aplicado a señales digitales se define como [36]: 𝑋[𝑘]=1 𝑁∗ ∑𝑥[𝑛]𝑒−𝑗𝑘2𝜋 𝑁𝑛 𝑁−1 𝑛=0 (4.11) 𝑥[𝑛], es una secuencia de duración finita definida en el intervalo 0 ≤ n ≤ N-1. 1 𝑁∗ |𝑋𝑁(𝑘)|2= 𝑆𝑝𝑒𝑟 (𝑒𝑗𝑘2𝜋 𝑛) (4.12) Por otro lado, el periodograma es una buena manera de obtener información del espectro de la señal de forma no paramétrica (4.12) y basta con utilizar la transformada rápida de Fourier, es decir la FFT [36]. Tras realizar el periodograma de la señal, se pasa por M filtros, que pueden ser o no equiespeaciados [11], a cuya salida se tiene una estimación de la potencia presente en cada banda, 𝑃(𝑀), a la salida de cada filtro le corresponderá la potencia asociada a la banda de la señal que desea pasar. Por lo tanto, se obtendrán tantos parámetros como filtros equiespeaciados se utilicen. Capítulo 4: Extracción de Características y Clasificación 58 Lo ideal en un clasificador matemático es que los patrones estén claramente diferenciados y puedan ser separados de forma clara, pues así la tasa de acierto será mayor por la simplicidad para discernir entre las diferentes clases. Para ello, es necesario extraer características o patrones discriminantes, como se ha se visto anteriormente. Los patrones de una misma clase presentan cierta variabilidad natural, no obstante, deben estar relativamente cercanos en el espacio de representación, y lejanos respecto a los patrones de otras clases. Esta situación, en un caso ideal, hace que se distingan diferentes agrupamientos en el espacio de representación (véase ilustración 4.10), uno por cada clase considerada y en estos casos es posible asociar regiones disjuntas a cada una de las clases representadas [11]. Ilustración 4.9: Esquema general de un clasificador [45]. Ilustración 4.10: Ejemplo de distribución de clases [11] Capítulo 4: Extracción de Características y Clasificación 59 A continuación, se introducirá el principal clasificador utilizado para el presente TFG. Se describirán sus particularidades y se comentará cómo se ha realizado la selección de características para el clasificador. La librería utilizada en este TFG para poder llevar a cabo la clasificación ha sido la librería PRTools [45]. 4.5.1 Introducción a la regresión logística Un concepto aspecto a tener en cuenta en la elección de un clasificador es el término medio entre la capacidad explicativa del modelo (claridad) y su poder de predicción. En general, conforme aumenta el poder de predicción del modelo baja su capacidad de interpretar el fenómeno objeto de estudio. Es decir, cuanta más precisión se busca en un clasificador, más difícil es interpretar la importancia de las variables en su predicción. Un modelo que aúna un buen poder de predicción con una magnífica interpretación de los resultados es la regresión logística [47], que se ha probado en otros trabajos [11]. Un modelo de regresión lineal tiene la forma. 𝑌= 𝛽0 + ∑𝑋𝑗 𝛽𝑗  𝑝 𝑗=1 (4.17) Siendo 𝑌 la salida a predecir, X un vector de parámetros y 𝛽 un vector de coeficientes. Para simplificar la explicación del modelo, se tomará una única característica del vector X, por lo que los únicos coeficientes 𝛽  serán 𝛽0  y 𝛽1 , quedando de la forma 𝑦= 𝛽0+ 𝛽1𝑥 (4.18) y se estiman los coeficientes utilizando el criterio de máxima verosimilitud. Si se toman esperanzas a ambos lados de la ecuación, y tras realizar algunas operaciones, se llega a que la probabilidad de pertenecer a una clase u otra (tener en cuenta que la clasificación se realiza de manera biclase: apnea o no apnea) se puede definir de la forma. 𝑝𝑖= 𝛽0+ 𝛽1𝑥 (4.19) El inconveniente principal de esta formulación es que la 𝑝𝑖 debe estar entre cero y uno, y no hay ninguna garantía de que la predicción 4.19 verifique esta restricción, ya que el modelo puede prever probabilidades mayores que la unidad. Esto no es un problema insalvable para clasificar, pero lo es si se quiere interpretar el resultado de la regla de clasificación como una probabilidad de pertenencia a cada población. Capítulo 4: Extracción de Características y Clasificación 60 Si se quiere que el modelo proporcione directamente la probabilidad de pertenecer a cada uno de los grupos, debemos transformar la variable respuesta de algún modo para garantizar que la respuesta prevista esté entre cero y uno. Si se toma 𝑝𝑖=𝐹(𝛽0+ 𝛽1𝑥) (4.20) Se garantiza que 𝑝𝑖 estará comprendido entre 0 y 1 si F cumple esa propiedad. Como se había comentado, el hecho de poder interpretar los resultados era uno de los puntos fuertes para el uso de este clasificador, y esto se puede ver analizando el peso de los coeficientes 𝛽. En general, cuanto mayor es el peso, más importancia tendrá esa característica en la predicción [11]. 4.5.2 Selección de características Un proceso básico para cualquier clasificador es la selección de características. Este proceso consiste en seleccionar aquellas variables más discriminantes para la clasificación y desechar aquellas que presenten altas correlaciones o no aporten información para el caso de estudio. Existen varias técnicas para este propósito. En este TFG se ha decidido utilizar la técnica de sequential forward feature selection, que consiste en añadir a un vector de características, V, inicialmente vacío, aquellas características que, individualmente, obtienen una mejor tasa de detección. Hemos de precisar que uno de los objetivos que perseguimos en este TFG es probar nuevas características y que esto supone un reto independientemente de que su poder discriminante sea adecuado. Para ejemplificar el proceso de selección de características, se puede ver la Ilustración 4.5. La función J(x) representa la tasa de mejora en el entrenamiento y las 𝑥𝑖 las características. Capítulo 4: Extracción de Características y Clasificación 61 Cada coeficiente delante de las variables representa el peso de estas sobre la tasa, a mayor peso, mejor tasa proporciona esa variable. En la Ilustración 4.11 únicamente se ha realizado una iteración. Para una mayor precisión, es apropiado repetir este proceso varias veces y, una vez se hayan realizado varias iteraciones, se tendrá una matriz V, de orden N x p, siendo N el número de iteraciones y p el número de parámetros. Esta matriz hay que analizarla para ver los parámetros que más se repiten en las primeras posiciones (aportan mayor capacidad discriminante) para escogerlas para el proceso de clasificación y desechar aquellas que no están aportando información [11]. Tras realizar ese estudio de las características en la matriz, se realiza una etapa de validación cruzada dentro del entrenamiento (o cross validation, por su acepción en inglés) que se explica en la sección siguiente, cuya función es la comprobar las tasas de acierto en función del número de características que se escojan., y se comprueba cuál es el número óptimo de variables para escoger [11]. 4.5.3 Validación Cruzada En nuestro trabajo el proceso de entrenamiento se realiza la técnica de validación cruzada. Este procedimiento se suele realizar cuando se tiene una gran cantidad de datos disponibles, pues es una manera de analizar la precisión del entrenamiento. Consiste en separar los datos destinados para entrenar el sistema en dos. Por ejemplo, un 50% de los datos se destinan para el propio entrenamiento y un 50% se destinan a validar. De esta forma, se estaría comprobando que el entrenamiento se está realizando de manera correcta. Este proceso de subdividir la parte destinada a entrenar en dos grupos, se repite varias veces. La separación de datos debe ser realiza de manera aleatoria en cada repetición. La tasa dada en cada iteración de este proceso debería tener poca variabilidad, en un ejemplo con 20 Ilustración 4.11: Selección de características. Capítulo 4: Extracción de Características y Clasificación 62 iteraciones y, por lo tanto, 20 subdivisiones de la base de datos destinada a entrenar. Se observa una media de un 75% de tasa de acierto, sin una gran variabilidad en los resultados (p.e., [11]). 4.5.4 Umbral de decisión Una vez se han determinado los coeficientes (w) y se ha realizado la selección de características, se ha de elegir el umbral por el cual se decide a partir de qué probabilidad se determina que un momento es apneico o no. La probabilidad viene determinada por la expresión 4.20. Para determinar el umbral se suele recurrir a la curva ROC [11]. 4.5.4.1 Curva ROC La curva ROC (Receiver Operating Curve, por su acepción en inglés) es una representación gráfica de la sensibilidad frente a especificidad para un sistema clasificador binario según se varía el umbral de discriminación. La sensibilidad mide la tasa de acierto del sistema en aquellos minutos que, etiquetados por un profesional médico como apnéicos, son diagnosticados por el sistema como tales. La especificidad mide la tasa de acierto del sistema en aquellos minutos que, etiquetados por un profesional médico como no apnea, son diagnosticados por el sistema como tales. Es muy utilizada en medicina para comprobar la precisión de un sistema de clasificación. Un ejemplo de este tipo de curvas se muestra en la ilustración 4.12. El clasificador ideal es aquel que etiqueta a todos los pacientes correctamente con una tasa del Ilustración 4.12: Ejemplo de curva ROC [11]. Capítulo 4: Extracción de Características y Clasificación 63 100 %, el cual se encontraría en la esquina superior izquierda de la curva ROC, que es el que aporta una sensibilidad y especificidad del 100 %. El área que encierra la curva (AUC, por área under curve) también aporta información del clasificador y cuanto más cercano a 1 sea este valor, más precisión tiene el sistema. 4.5.4.2 Criterio para tomar el umbral El umbral en este TFG se ha tomado para el punto que en fase de entrenamiento optimiza la cuantificación del sistema, es decir, aquel umbral que, minuto a minuto, da mejores resultados. De esta forma, se puede garantizar que el sistema está en el punto de mayor eficiencia. Existen otros criterios que también son utilizados, como el que maximiza la sensibilidad y especificidad a la vez. Es decir, el umbral que está en el punto más cercano al vértice superior izquierda de la curva ROC. Capítulo 4: Extracción de Características y Clasificación 64 Capítulo 5: Detección Automática del SAHS 65 Capítulo 5 Detección automática del SAHS 5.1 Introducción Una vez se han analizado las diferentes señales que se pueden utilizar para detectar apneas y/o hipoapneas y las características presentadas en el Capítulo 4.2, en este apartado se analizarán los resultados del sistema sobre el cual se realiza el diagnóstico automático del SAHS. Con la idea de poder extraer conclusiones sobre el uso de CPAP se hacen experimentos en los que se analiza cada paciente antes y después de recibir tratamiento con CPAP. Antes de continuar, es importante describir algunos de los conceptos que se utilizarán para medir la eficiencia del sistema en términos de clasificación.  Tasa de cuantificación: Indica la tasa de acierto total del sistema minuto a minuto. Capítulo 5: Detección Automática del SAHS 66  Sensibilidad: Indica la tasa de acierto del sistema en aquellos minutos que, etiquetados por un profesional médico como apnea, son diagnosticados por el sistema como apnea.  Especificidad: Mide la tasa de acierto del sistema en aquellos minutos que, etiquetados por un profesional médico como no apnea, son diagnosticados por el sistema como no apnea.  Fiabilidad. La medimos en término de las Tasas conjuntas de Cuantificación, Sensibilidad y Especificidad. Así, cuanto mayor sean todas, más fiable es nuestro sistema pues mejor se ajusta a lo que los especialistas determinan. En el apartado 5.2 se muestran los resultados de una análisis estadístico utilizando Diagramas de Cajas y Q-Q Plots. A continuación relacionamos los 13 nuevos parámetros (o características) de los que hacemos una análisis para saber de su potencia en capacidad discriminante están descritas en el apartado 4.2 (capítulo 4). En el apartado 5.2 (5.2.1 y 5.2.2) se presentan resultados en este orden: 1. Entropía de Permutación bajo la definición de Shannon. 2. Entropía de Permutación bajo la definición de Rényi. 3. Entropía de Permutación bajo la definición de Tsallis. 4. Variable simbólica que representa dos estados: 0 la diferencia entre intervalos RR consecutivos, en ms, es mayor o igual que 0ms, 1 si es menor, y su clasificación es de POLVAR representando la probabilidad de que se den 6 ceros seguidos (Pol_var). 5. Variable simbólica que representa dos estados: 1 la diferencia entre intervalos RR consecutivos, en ms, es mayor o igual que 5ms, 0 si es menor, y su clasificación es de POLVAR representando la probabilidad de que se den 6 ceros seguidos (Pol_var). 6. Variable simbólica que representa dos estados: 1 la diferencia entre intervalos RR consecutivos, en ms, es mayor o igual que 10ms, 0 si es menor, y su clasificación es de POLVAR representando la probabilidad de que se den 6 ceros seguidos (Pol_var). 7. Variable simbólica que representa dos estados: 1 la diferencia entre intervalos RR consecutivos, en ms, es mayor o igual que 20ms, 0 si es menor, y su clasificación es de POLVAR representando la probabilidad de que se den 6 ceros seguidos (Pol_var). 8. Variable simbólica que representa dos estados: 0 la diferencia entre intervalos RR consecutivos, en ms, es mayor o igual que 0ms, 1 si es menor, y su clasificación es de POLVAR representando la probabilidad de que se den 6 unos seguidos (Poh_var). Capítulo 5: Detección Automática del SAHS 67 9. Variable simbólica que representa dos estados: 1 la diferencia entre intervalos RR consecutivos, en ms, es mayor o igual que 5ms, 0 si es menor, y su clasificación es de POLVAR representando la probabilidad de que se den 6 unos seguidos (Poh_var). 10. Variable simbólica que representa dos estados: 1 la diferencia entre intervalos RR consecutivos, en ms, es mayor o igual que 10ms, 0 si es menor, y su clasificación es de POLVAR representando la probabilidad de que se den 6 unos seguidos (Poh_var). 11. Variable simbólica que representa dos estados: 1 la diferencia entre intervalos RR consecutivos, en ms, es mayor o igual que 20ms, 0 si es menor, y su clasificación es de POLVAR representando la probabilidad de que se den 6 unos seguidos (Poh_var). 12. Variable simbólica por la definición de Wessel, y su clasificación es de WPSUM02. 13. Variable simbólica por la definición de Wessel, y su clasificación es de WPSUM13. Antes de exponer los resultados de clasificación, veamos algunos detalles de interés que nos ayudarán a hacer un análisis de los mismos. Como se comentó en el capítulo 3, los pacientes tienen como mínimo 3h de sueño y un máximo de 8h, para considerar válidas las señales extraídas. Por otro lado, para el sistema es imposible determinar una IAH a cada paciente, pues se recuerda que este parámetro viene definido por hora de sueño, y en este sistema no se conoce cuándo está durmiendo el paciente y cuando no lo hace. Para subsanar este hecho, se decide diagnosticar como pacientes patológicos a aquellos pacientes que tienen apneas en más de un 16% de los minutos sobre el tiempo total registrado, y como pacientes sanos a aquellos que tienen menos de un 16%, que corresponde con un IAH de 10. En el apartado 5.3 presentamos los resultados obtenidos con diferentes combinaciones de parámetros. El criterio seguido es barrer todas las fuentes de información básica de que disponemos, EKG a través de las señales RR y SaO2, y sobre ellas aplicar combinaciones de parámetros útiles en la clasificación de minutos de apnea/no-apnea. Además, nos basamos en el estudio estadístico del apartado anterior para tener una primera idea sobre lo esperable de cada uno de los nuevos parámetros, los obtenidos de la permutation entropy y los de dinámica simbólica. La relación de experimentos que presentaremos en el apartado 5.3 es como sigue, donde FBANK se refiere a una parametrización por Banco de Filtros (34 en todos los experimentos) como la descrita en el apartado 4.3: Capítulo 5: Detección Automática del SAHS 74 5.3 Resultados de cuantificación 5.3.1 Saturación de oxígeno en sangre. Parametrización: FBank y varianza de 𝑆𝑎𝑂2. En estos experimentos la señal de origen es la saturación. Se parametriza con FBANK y al vector de características se le añaden dos nuevos parámetros: la varianza de la señal en los 5 minutos bajo análisis y en el minuto central. Tomamos esta señal y su parametrización a modo de referencia pues en estudios anteriores [11, 12, 13] es una de las que mejores resultados nos da. Omitimos datos de clasificación pues no es objeto de este TFG hacer una comparativa numérica. En la Tabla 5.1 podemos ver los resultados. De una inspección podeos obtener los siguientes resultados:  Antes del tratamiento esta parametrización tiene unos valores de cuantificación bastante bajos.  Después del tratamiento con CPAP los resultados de cuantificación mejoran notablemente, especialmente por una mejora de la Especificidad aunque a costa de una peor Sensibilidad.  El valor de sensibilidad Pos es bajo. Este dato no debe extrañar ya que en este caso las Apneas son escasas ya que los pacientes tienen CPAP durante la segunda mitad de la noche.  En términos de fiabilidad los resultados son mejores para pacientes Pos que para Pre. BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica Varianza Tipo de característica Varianza Sensibilidad (%) 54,15 Sensibilidad (%) 14,34 Especificidad (%) 68,69 Especificidad (%) 92,72 Tasa de cuantificación (%) 65,19 Tasa de cuantificación (%) 86,23 Tablas 5.1: Resultados del sistema de clasificación para 𝑺𝒂𝑶𝟐 con FBank y varianza, Pre_CPAP y Pos_CPAP Capítulo 5: Detección Automática del SAHS 75 5.3.2 Señal o serie RR. Parametrización: FBank y 1 característica. En estos experimentos la señal de origen es la RR. Se parametriza con FBANK más uno de los nuevos parámetros basados en la Permutation Entropy (PE) y Variables Simbólicas (VS). Para las parametrizaciones a partir de la señal RR, tomaremos como referencia la cuantificación obtenida para FBANK sin las nuevas características. En la siguiente tabla se dan los datos. BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica FBANK Tipo de característica FBANK Sensibilidad (%) 11,79 Sensibilidad (%) 6,30 Especificidad (%) 88,13 Especificidad (%) 90,98 Tasa de cuantificación (%) 69,87 Tasa de cuantificación (%) 85,48 De una inspección de los resultados presentados en las ilustraciones 5.5 y 5.6, desglosados en las tablas 5.2 podemos sacar las siguientes apreciaciones:  En general la Sensibilidad se mantiene en valores bajos para los nuevos parámetros, lo cual es indicativo que los nuevos parámetros por sí solo no ofrecen buenos resultados de detección de apneas. Esto es más significativo para los pacientes Pos.  En general la Especificidad es alta y en la mayoría de nuevos parámetros mejora con los pacientes Pos.  En todos los casos la Tasa de cuantificación mejora con los pacientes Pos de la mano de la Especificidad, esto es, la detección de episodios de No Apnea. Ilustración 5.5: Gráfico de resultados del sistema de clasificación para RR con FBank y 1 característica, Pre_CPAP Capítulo 5: Detección Automática del SAHS 76 NOTA: Nº de características = 1 significa que a FBANK se añade 1 de las nuevas según el tipo expuesto. BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica Shannon Tipo de característica Shannon Sensibilidad (%) 11,84 Sensibilidad (%) 10,22 Especificidad (%) 88,09 Especificidad (%) 90,25 Tasa de cuantificación (%) 69,86 Tasa de cuantificación (%) 85,05 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica Rényi Tipo de característica Rényi Sensibilidad (%) 18,39 Sensibilidad (%) 21,04 Especificidad (%) 83,46 Especificidad (%) 83,08 Tasa de cuantificación (%) 67,90 Tasa de cuantificación (%) 79,05 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica Tsallis Tipo de característica Tsallis Sensibilidad (%) 8,87 Sensibilidad (%) 10,22 Tablas 5.2: Resultados del sistema de clasificación para RR con FBank y 1 característica, Pre_CPAP y Pos_CPAP Ilustración 5.6: Gráfico de resultados del sistema de clasificación para RR con FBank y 1 característica, Pos_CPAP Capítulo 5: Detección Automática del SAHS 77 Especificidad (%) 92,18 Especificidad (%) 90,89 Tasa de cuantificación (%) 72,27 Tasa de cuantificación (%) 85,65 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica VS_5ms Tipo de característica VS_5ms Tipo de secuencia Poh_var Tipo de secuencia Poh_var Sensibilidad (%) 10,83 Sensibilidad (%) 7,13 Especificidad (%) 89,12 Especificidad (%) 91,30 Tasa de cuantificación (%) 70,41 Tasa de cuantificación (%) 85,84 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica VS_5ms Tipo de característica VS_5ms Tipo de secuencia Pol_var Tipo de secuencia Pol_var Sensibilidad (%) 11,88 Sensibilidad (%) 8,32 Especificidad (%) 88,85 Especificidad (%) 89,08 Tasa de cuantificación (%) 70,45 Tasa de cuantificación (%) 83,84 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica VS_10ms Tipo de característica VS_10ms Tipo de secuencia Poh_var Tipo de secuencia Poh_var Sensibilidad (%) 11,79 Sensibilidad (%) 6,30 Especificidad (%) 88,12 Especificidad (%) 90,98 Tasa de cuantificación (%) 69,87 Tasa de cuantificación (%) 85,48 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica VS_10ms Tipo de característica VS_10ms Tipo de secuencia Pol_var Tipo de secuencia Pol_var Sensibilidad (%) 11,38 Sensibilidad (%) 9,98 Especificidad (%) 88,21 Especificidad (%) 87,82 Tasa de cuantificación (%) 69,84 Tasa de cuantificación (%) 82,77 Capítulo 5: Detección Automática del SAHS 78 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica VS_20ms Tipo de característica VS_20ms Tipo de secuencia Poh_var Tipo de secuencia Poh_var Sensibilidad (%) 11,79 Sensibilidad (%) 6,30 Especificidad (%) 88,12 Especificidad (%) 90,98 Tasa de cuantificación (%) 69,87 Tasa de cuantificación (%) 85,48 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica VS_20ms Tipo de característica VS_20ms Tipo de secuencia Pol_var Tipo de secuencia Pol_var Sensibilidad (%) 18,48 Sensibilidad (%) 19,85 Especificidad (%) 84,50 Especificidad (%) 81,79 Tasa de cuantificación (%) 68,72 Tasa de cuantificación (%) 77,77 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica Inter_RR Tipo de característica Inter_RR Tipo de secuencia Poh_var Tipo de secuencia Poh_var Sensibilidad (%) 10,83 Sensibilidad (%) 7,13 Especificidad (%) 89,12 Especificidad (%) 91,30 Tasa de cuantificación (%) 70,41 Tasa de cuantificación (%) 85,84 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica Inter_RR Tipo de característica Inter_RR Tipo de secuencia Pol_var Tipo de secuencia Pol_var Sensibilidad (%) 9,42 Sensibilidad (%) 6,53 Especificidad (%) 89,24 Especificidad (%) 92,93 Tasa de cuantificación (%) 70,16 Tasa de cuantificación (%) 87,32 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Capítulo 5: Detección Automática del SAHS 79 Tipo de característica Wessel Tipo de característica Wessel Tipo de secuencia WPSUM02 Tipo de secuencia WPSUM02 Sensibilidad (%) 28,23 Sensibilidad (%) 25,20 Especificidad (%) 78,36 Especificidad (%) 87,32 Tasa de cuantificación (%) 66,38 Tasa de cuantificación (%) 83,29 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica Wessel Tipo de característica Wessel Tipo de secuencia WPSUM13 Tipo de secuencia WPSUM13 Sensibilidad (%) 11,79 Sensibilidad (%) 6,30 Especificidad (%) 88,12 Especificidad (%) 90,98 Tasa de cuantificación (%) 69,87 Tasa de cuantificación (%) 85,48 5.3.3 Combinación de ambas (RR y 𝑆𝑎𝑂2). Parametrización: Con RR FBank y 1 característica. Con saturación FBANK y 2 varianzas En estos experimentos las señales de origen son RR y saturación. Para RR se parametriza con FBANK más uno de los nuevos parámetros basados en la Permutation Entropy (PE) y Variables Simbólicas (VS). Para saturación se parametriza solo con la varianza en el minuto central y en toda la ventana de análisis. De una inspección de los resultados presentados en las ilustraciones 5.7 y 5.8, desglosados en las tablas 5.3 podemos sacar las siguientes apreciaciones:  La conjunción de parámetros extraídos de las señales RR y saturación da lugar a una mejora generalizada de la fiabilidad a todos los niveles. Esto visto respecto de los casos de los apartados 5.3.1 y 5.3.2.  En general la Sensibilidad es alta para pacientes Pre y baja para Pos.  En general la Especificidad es alta y en la mayoría de nuevos parámetros, y mejora notablemente con los pacientes Pos.  En todos los casos la Tasa de cuantificación mejora con los pacientes Pos de la mano de la Especificidad, esto es, la detección de episodios de No Apnea. Capítulo 5: Detección Automática del SAHS 80 Ilustración 5.7: Gráfico de resultados del sistema de clasificación para RR con FBank y SaO2, Pre_CPAP Ilustración 5.8: Gráfico de resultados del sistema de clasificación para RR con FBank y SaO2, Pos_CPAP Capítulo 5: Detección Automática del SAHS 81 NOTA: Nº de características = 1 significa que a FBANK se añade 1 de las nuevas según el tipo expuesto. BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica Shannon Tipo de característica Shannon Sensibilidad (%) 53,50 Sensibilidad (%) 16,18 Especificidad (%) 68,64 Especificidad (%) 94,27 Tasa de cuantificación (%) 65,02 Tasa de cuantificación (%) 87,22 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica Rényi Tipo de característica Rényi Sensibilidad (%) 53,50 Sensibilidad (%) 16,18 Especificidad (%) 68,64 Especificidad (%) 94,27 Tasa de cuantificación (%) 65,02 Tasa de cuantificación (%) 87,22 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica Tsallis Tipo de característica Tsallis Sensibilidad (%) 53,50 Sensibilidad (%) 16,18 Especificidad (%) 68,64 Especificidad (%) 94,27 Tasa de cuantificación (%) 65,02 Tasa de cuantificación (%) 87,22 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica VS_5ms Tipo de característica VS_5ms Tipo de secuencia Poh_var Tipo de secuencia Poh_var Sensibilidad (%) 54,28 Sensibilidad (%) 15,85 Especificidad (%) 68,52 Especificidad (%) 94,13 Tasa de cuantificación (%) 65,21 Tasa de cuantificación (%) 87,06 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Tablas 5.3: Resultados del sistema de clasificación para RR y 𝑺𝒂𝑶𝟐 con FBank y otras características, Pre_CPAP y Pos_CPAP Capítulo 5: Detección Automática del SAHS 82 Nº de características 1 Nº de características 1 Tipo de característica VS_5ms Tipo de característica VS_5ms Tipo de secuencia Pol_var Tipo de secuencia Pol_var Sensibilidad (%) 53,50 Sensibilidad (%) 16,81 Especificidad (%) 64,64 Especificidad (%) 94,27 Tasa de cuantificación (%) 65,02 Tasa de cuantificación (%) 87,22 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica VS_10ms Tipo de característica VS_10ms Tipo de secuencia Poh_var Tipo de secuencia Poh_var Sensibilidad (%) 53,50 Sensibilidad (%) 16,18 Especificidad (%) 68,64 Especificidad (%) 94,27 Tasa de cuantificación (%) 65,02 Tasa de cuantificación (%) 87,22 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica VS_10ms Tipo de característica VS_10ms Tipo de secuencia Pol_var Tipo de secuencia Pol_var Sensibilidad (%) 54,28 Sensibilidad (%) 15,85 Especificidad (%) 68,52 Especificidad (%) 94,13 Tasa de cuantificación (%) 65,12 Tasa de cuantificación (%) 87,06 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica VS_20ms Tipo de característica VS_20ms Tipo de secuencia Poh_var Tipo de secuencia Poh_var Sensibilidad (%) 53,50 Sensibilidad (%) 16,18 Especificidad (%) 68,64 Especificidad (%) 94,27 Tasa de cuantificación (%) 65,02 Tasa de cuantificación (%) 87,22 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica VS_20ms Tipo de característica VS_20ms Tipo de secuencia Pol_var Tipo de secuencia Pol_var Sensibilidad (%) 54,18 Sensibilidad (%) 16,82 Especificidad (%) 68,59 Especificidad (%) 93,52 Capítulo 5: Detección Automática del SAHS 83 Tasa de cuantificación (%) 65,15 Tasa de cuantificación (%) 86,59 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica Inter_RR Tipo de característica Inter_RR Tipo de secuencia Poh_var Tipo de secuencia Poh_var Sensibilidad (%) 53,50 Sensibilidad (%) 16,18 Especificidad (%) 68,64 Especificidad (%) 94,27 Tasa de cuantificación (%) 65,02 Tasa de cuantificación (%) 87,22 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica Inter_RR Tipo de característica Inter_RR Tipo de secuencia Pol_var Tipo de secuencia Pol_var Sensibilidad (%) 53,50 Sensibilidad (%) 16,18 Especificidad (%) 68,64 Especificidad (%) 94,27 Tasa de cuantificación (%) 65,02 Tasa de cuantificación (%) 87,22 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica Wessel Tipo de característica Wessel Tipo de secuencia WPSUM02 Tipo de secuencia WPSUM02 Sensibilidad (%) 54,09 Sensibilidad (%) 15,85 Especificidad (%) 68,51 Especificidad (%) 94,08 Tasa de cuantificación (%) 65,06 Tasa de cuantificación (%) 87,01 BBDD Pre_CPAP BBDD Pos_CPAP Nº de pacientes validación 41 Nº de pacientes validación 41 Nº de características 1 Nº de características 1 Tipo de característica Wessel Tipo de característica Wessel Tipo de secuencia WPSUM13 Tipo de secuencia WPSUM13 Sensibilidad (%) 53,50 Sensibilidad (%) 16,18 Especificidad (%) 68,64 Especificidad (%) 94,27 Tasa de cuantificación (%) 65,02 Tasa de cuantificación (%) 87,22 Bibliografía 90 Disponible: http://publicacionesmedicina.uc.cl/TemasMedicinaInterna/apnea.html Fecha de consulta: 12/06/2015. [5] Dra. Contreras A., (2009), “Síndrome de Apnea Obstructiva del Sueño, diagnóstico y tratamiento”, Rev. Med. Clin.Condes, 20(4) 458-469, 2009 [online], Disponible: http://www.clc.cl/Dev_CLC/media/Imagenes/PDF%20revista%20m%C3%A9dica/2009/4 %20julio/458_APNEA_OBSTRUCTIVA-10.pdf Fecha de consulta: 12/06/2015. [6] Sociedad Española de Sueño, “Día mundial del sueño”, Marzo de 2015 [online]. Disponible: http://www.ses.org.es/dms.html Fecha de consulta: 12/06/2015. [7] Corporación de medios Andalucía S.A., “Millones de españoles padecen apnea del sueño”, Diciembre 2010 [online]. Disponible: http://salud.ideal.es/neumologia-y-terapias-respiratorias/639-millones-deespanoles-padecen-apnea-del-sueno.html Fecha de consulta: 12/06/2015. [8] Lloberes P., Durán-Cantolla J., Martínez-García M.A., Marín J. M., Ferrer A., Corralf J., Masaf J.F., Parra O., Alonso-Álvarez M. L. y Terán-Santos J., “Diagnóstico y tratamiento del síndrome de apneas-hipopneas del sueño”, Arch Bronconeumol Vol. 47 (3):143–156, Marzo 2011, [online]. Disponible: http://www.archbronconeumol.org/es/diagnostico-tratamiento-del-sindromeapneas-hipopneas/articulo/90001652/#t0015 Fecha de consulta: 12/06/2015. [9] Carrillo Alduenda, J.L, Arredondo del Bosque F.M, Reyes Zúñiga M, Castorena Maldonado A, Vázquez García J.C., Torre-Bouscoulet L, (2010), “Síndrome de apnea obstructiva del sueño en población adulta”, Neumol Cir Torax Vol. 69 - Núm. 2:103-11, Abril-Junio 2010 [online]. Disponible: http://www.medigraphic.com/pdfs/neumo/nt-2010/nt102h.pdf Fecha de consulta: 12/06/2015. Bibliografía 91 [10] Ravelo G. Antonio G., “Procesado de señales fisiológicas para el estudio del sueño humano”, Navarro M. Juan L., Yguacel Eugenio J., Trabajo fin de carrera, Universidad de las Palmas de Gran Canaria, 2003. Disponible: http://bibmdc.ulpgc.es/cdm/ref/collection/POSTULPGC/id/2281 Fecha de consulta: 12/06/2015. [11] Ubay Casanova Blancas, “Sistema de Diagnóstico Aplicado a la Detección de la Apnea Obstructiva del Sueño Mediante Poligrafía”, Titulación: Ingeniero de Telecomunicación. Tutores: Antonio G. Ravelo G., Juan L. Navarro Mesa. Proyecto Fin de Carrera. Universidad de Las Palmas de Gran Canaria, 2014. [12] AG Ravelo, CM Travieso, FD Lorenzo, JL Navarro, S Martín, JB Alonso, and M Ferrer. “Application of support vector machines and gaussian mixture models for the detection of obstructive sleep apnea based on the rr series”. WSEAS Transactions on Computers, 5(1):121-124, 2006, [online]. Disponible: http://www.researchgate.net/publication/234830199_Application_of_support_vector_mach ines_and_Gaussian_mixture_models_for_the_detection_of_obstructive_sleep_apnoea_bas ed_on_the_RR_series Fecha de consulta: 12/06/2015. [13] AG Ravelo-García, JL Navarro-Mesa, E Hernández-Pérez, S Martín-González, P Quintana-Morales, I Guerra-Moreno, and G Juliá-Serdá. “Cepstrum feature selection for the classification of sleep apnea-hypopnea syndrome based on heart rate variability”. In Computing in Cardiology Conference (CinC), 2013, pages 959-962. IEEE, 2013. [14] AG Ravelo-García, JL Navarro-Mesa, E Hernández-Pérez, S Martín-González, P Quintana-Morales, I Guerra-Moreno, G Juliá-Serdá, and J. Navarro-Esteva. “Obstructive sleep apnea detection based on cepstrum coeficients from the rr series”. In International Conference on Computer Aided Systems Theory (EUROCAST), 2013, [online]. Disponible: http://link.springer.com/chapter/10.1007%2F978-3-642-53862-9_34 Fecha de consulta: 12/06/2015. Bibliografía 92 [15] M Schrader, C Zywietz, V Von Einem, B Widiger, and G Joseph. “Detection of sleep apnea in single channel ecgs from the physionet data base”. In Computers in Cardiology 2000, pages 263 - 266. IEEE, 2000. [16] Carlos M Travieso, Jesús B Alonso, Marcos del Pozo-Baños, Jaime R Ticay-Rivas, and Karmele Lopez-de Ipiña. “Automatic apnea identification by transformation of the cepstral domain”. Cognitive Computation, 5(4):558-565, 2013, [online]. Disponible: http://link.springer.com/article/10.1007%2Fs12559-012-9184-x Fecha de consulta: 12/06/2015. [17] C Maier, M Bauch, and H Dickhaus. “Recognition and quantification of sleep apnea by analysis of heart rate variability parameters”. In Computers in Cardiology 2000, pages 741744. IEEE, 2000. [18] P De Chazal, C Heneghan, E Sheridan, R Reilly, P Nolan, and M O'Malley. ”Automatic classification of sleep apnea epochs using the electrocardiogram”. In Computers in Cardiology 2000, pages 745-748. IEEE, 2000. [19] J.R. Villa Asensi, C. Martínez Carrasco, G. Pérez Pérez, I. Cortell Aznar, D. GómezPastrana, D. Álvarez Gil y E. González Pérez-Yarza. “Guía de diagnóstico y tratamiento del síndrome de apneas-hipopneas del sueño en el niño”. An Pediatr (Barc). 2006; 65(4), páginas 364-376, [online]. Disponible: http://www.researchgate.net/profile/Carmen_Carrasco6/publication/237692619_Gua_de_d iagnstico_y_tratamiento_del_sndrome_de_apneashipopneas_del_sueo_en_el_nio/links/544c4b100cf2bcc9b1d6c53b.pdf Fecha de consulta: 12/06/2015. [20] Hudgel D, Anderson WM, Boehlecke, Claman D, Goldberg R, Gottlieb DJ, et al. Portable Monitoring Task Force of the American Academy of Sleep Medicine. Clinical guidelines for the use of unattended portable monitors in the diagnosis of obstructive sleep apnea in adult patients. Portable Monitoring Task Force of the American Academy of Sleep Medicine. J Clin Sleep Med. 2007; 3 páginas 737–47, [online]. Disponible: http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2556918/ Bibliografía 93 Fecha de consulta: 12/06/2015. [21] Centers for Medicare & Medicaid Services. Decision Memo for Continuous Positive Airway Pressure (CPAP) Therapy for Obstructive Sleep Apnea (OSA) (CAG-00093R2). March 13, 2008 (from2=viewdecisionmemo.asp&id=204&), [online]. Disponible: http://www.cms.gov/medicare-coverage-database/details/nca-decisionmemo.aspx?NCAId=204&TAId=50&IsPopup=y&bc=AAAAAAAAAgAAAA%3d%3d& Fecha de consulta: 12/06/2015. [22] Terán Santos J. Acreditaciones en Neumología. Unidades de sueño. Arch Bronconeumol. 2009; 45, páginas 263–265, [online]. Disponible: http://www.archbronconeumol.org/es/acreditaciones-neumologia-unidadessueno/articulo/13139158/ Fecha de consulta: 12/06/2015. [23] Mariholy Carolina Hernández García, Liliana Parra Lembo, Antonio Pérez Fernández, Med Segur Trab (Internet) 2012; 59 (227) páginas 148-167, [online]. Disponible: http://scielo.isciii.es/pdf/mesetra/v58n227/revision2.pdf Fecha de consulta: 12/06/2015. [24] Palanca Sanchéz I (Dir.), Barbé Illa F (Coord. Cient.), Puertas Cuesta FJ (Coord. Cient.), Elola Somoza J (Dir.), Bernal Sobrino JL (Comit. Redac.), Paniagua Caparrós JL (Comit. Redac.), Grupo de Expertos. “Unidad del sueño: estándares y recomendaciones de calidad y seguridad”. Madrid: Ministerio de Sanidad, Política Social e Igualdad; 2011, [online] Disponible: http://www.msssi.gob.es/organizacion/sns/planCalidadSNS/docs/EERR/EyR_UAS.pdf Fecha de consulta: 12/06/2015. [25] The MathWorks Inc. Matlab and statistics toolbox release 2012a, 64 bits. [26] Especificaciones del formato edf. Disponible: http://www.edfplus.info/. Fecha de consulta: 12/06/2015. Bibliografía 94 [27] Diego Hernández López, “Sistema de Análisis y Clasificación de Estados del Sueño a partir de Señales Polisomnográficas”. Titulación: Ingeniero Técnico de Telecomunicación. Tutores: Juan L. Navarro Mesa, Antonio G. Ravelo G. Proyecto Fin de Carrera. Universidad de Las Palmas de Gran Canaria, 2005. Disponible: http://bibmdc.ulpgc.es/cdm/ref/collection/POSTULPGC/id/10140 Fecha de consulta: 10/07/2015. [28] Aday García Asencio, “Implementación de un Sistema de Detección de Apnea Obstructiva del Sueño Mediante Pulsioxímetro”. Tutores: Juan L. Navarro Mesa, Antonio G. Ravelo García. Titulación: Máster Universitario en Ingeniería de Telecomunicación. Proyecto Fin de Carrera. Universidad de Las Palmas de Gran Canaria, Fecha prevista de defensa, julio de 2015. [29] Zanin Massimiliano, Zunino Luciano , Rosso Osvaldo A., and Papo David, Permutation Entropy and Its Main Biomedical and Econophysics Applications, Entropy 2012, 14, 15531577. Disponible: http://www.mdpi.com/1099-4300/14/8/1553 Fecha de consulta: 10/07/2015. [30] Yinhe Cao, Wen-wen Tung, J.B. Gao V.A. Protopopescu, and L.M. Hively, Detecting dynamical changes in time series using the permutation entropy. Disponible: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.128.5219&rep=rep1&type=pdf Fecha de consulta: 10/07/2015. [31] Nathan D. Cahill, Normalized Measures of Mutual Information with General Definitions of Entropy for Multimodal Image Registration, B. Fischer, B. Dawant, and C. Lorenz (Eds.): WBIR 2010, LNCS 6204, pp. 258–268, 2010. Springer-Verlag Berlin Heidelberg 2010. [32] Tomasz Maszczyk and W_lodzis_law Duch, Comparison of Shannon, Renyi and Tsallis Entropy used in Decision Trees. Lecture Notes in Computer Science, Vol. 5097, 643-651, 2008. Bibliografía 95 [33] M Riedl, A Müller, and N Wessel. Practical considerations of permutation entropy. The European Physical Journal Special Topics, 222(2):249_262, 2013. [34] U. Parlitz, S. Berg, S. Luther, A. Schirdewan, J. Kurthsf, N. Wessel, Classifying Cardiac Biosignals using Ordinal Pattern Statistics and Symbolic Dynamics, Computers in Biology and Medicine (2011) [35] Alan V. Oppenheim, Alan S Willsky, and S Nawab. Signals and systems. 1997. Massachusetts Institute Technology, Boston University, 1997. [36] César Benavente Peces, Diseño de filtros digitales, apuntes de la asignatura de Procesado digital de la señal, Universidad Politécnica de Madrid, 2006. [37] Disponible: https://es.wikipedia.org/wiki/Media_aritm%C3%A9tica Fecha de consulta: 10/07/2015. [38] Disponible: https://es.wikipedia.org/wiki/Varianza Fecha de consulta: 10/07/2015. [39] Disponible: https://es.wikipedia.org/wiki/Desviaci%C3%B3n_t%C3%ADpica Fecha de consulta: 10/07/2015. [40] C. Bandt and B. Pompe, Phys. Rev. Lett. 88 174102 (2002); C. Bandt, G. Keller, and B. Pompe, Nonlinearity 15: 1595-1602 (2002). [41] A. Porta et al., An integrated approach based on uniform quantization for the evaluation of complexity of short-term heart period variability: Application to 24 h Holter recordings in healthy and heart failure humans, Chaos 17, 015117 (2007). [42]Disponible: https://www.fisterra.com/mbe/investiga/noParametricos/noParametricos.asp Fecha de consulta: 13/07/2015. [43]Disponible: https://es.wikipedia.org/wiki/Prueba_de_Kruskal-Wallis Fecha de consulta: 13/07/2015. Bibliografía 96 [44]Disponible: https://es.wikipedia.org/wiki/Diagrama_de_caja Fecha de consulta: 13/07/2015. [45] Ferdinand Van Der Heijden, Robert Duin, Dick De Ridder, and David MJ Tax. Classification, parameter estimation and state estimation: an engineering approach using MATLAB. John Wiley & Sons, 2005. [46]Disponible: http://www.belven.metolit.by/en/dir/index.php/2382 Fecha de consulta: 13/07/2015. [47] T Hastie, J Friedman, and R Tibshirani. The elements of statistical learning, volume 2. Springer, 2009. [48] Disponible: http://www.saludysintomas.com/2013/04/electrocardiograma-ecg.html. Fecha de consulta: 16/07/2015. [49] Iikka Korhonen. Methods for the analysis of short-term variability of heart rate and blood pressure in frequency domain. Technical Research Centre of Finland, 1997. [50] Especificaciones del formato edf. Disponible: http://www.edfplus.info/ Fecha de consulta: 16/07/2015. [51] Q-Q Plots. Wikipedia: https://en.wikipedia.org/wiki/Q%E2%80%93Q_plot. Fecha de consulta: 15/07/2015. [52] Chambers, John; William Cleveland, Beat Kleiner, and Paul Tukey (1983), Graphical methods for data analysis, Wadsworth [53] Quantile-Quantile Plots. http://people.reed.edu/~jones/Courses/P14.pdf. Fecha de consulta: 16/07/2015. Anexo A 97 Anexo A Contenido del formato digital En este anexo se presenta el contenido del CD-ROM que se adjunta con la memoria del trabajo de fin de grado. En dicho CD-ROM se han incluido algunos artículos, ilustraciones y sendos documentos explicativos, que facilitan el seguimiento de las referencias citadas a lo largo de la memoria. La información está clasificada en el CD-ROM en varias carpetas. A continuación se numeran las diferentes carpetas, junto con el contenido de cada una de ellas:  Memoria: Se encuentra la versión digital del presente documento, a su vez se encuentran carpetas con las fuentes de información de cada capítulo. Los números de referencia asociados a cada artículo que se ha podido descargar y se encuentra en la bibliografía referenciado. Las diversas fuentes de información utilizadas.  Programas: Carpeta con todas las funciones creadas, es decir, los archivos que se abren en Matlab. El programa principal desde el que se lanzan experimentos se llama “TFG_Principal. o NP_PFC: consta de  0Pacientes: Consta de los fichero *.txt que contienen información de la base de datos de pacientes que usa el sistema. Los pacientes están clasificados por PreCPAP y PosCPAP, la base de datos completa, y separada por sexo. La base de datos de entrenamiento que se denomina “PACIENTES_EURO_PRUEBA”. Los ficheros denominados “NP_001_1_ekg.mat” y “NP_001_1_sp02.mat” corresponden a las señales electrocardiográfica y de saturación de oxígeno, respectivamente. Estas fueron extraídas directamente de Polyman. Por ultimo una función denominada “generar_senales_mat_de_edf.m” de la que obtienen los ficheros anteriormente nombrados  1SCR: Consta de ficheros *.mat tanto de la base de datos de datos, de test como de entrenamiento. Tiene también ficheros *. epc de la base de datos de test. Anexo A 98  2.1SAT: Consta de las señales de saturación de oxígeno divididas en segmentos de 5 minutos, son ficheros *.mat, tanto de la base de datos, de test como de entrenamiento.  2-SerieRR: Consta de las señales RR divididas en segmentos de 5 minutos, y filtradas son ficheros *.mat, tanto de la base de datos, de test como de entrenamiento.  3-Epocas: El sistema la requiere pero la carpeta está vacía. Se mantiene por compatibilidad con versiones anteriores de los programas.  4-Parametros: el sistema genera los parámetros elegidos. tanto de la base de datos, de test como de entrenamiento, y los guarda en esa carpeta. Su nombre es bastante evidente y clarificador en el momento de generar dichos ficheros.  5-Modelos: El sistema genera los patrones. tanto de la base de datos, de test como de entrenamiento, y los guarda en esa carpeta. Su nombre es bastante evidente y clarificador en el momento de generar dichos ficheros.  6-Clasifica: El sistema la requiere pero la carpeta está vacía. Se mantiene por compatibilidad con versiones anteriores de los programas.  7-Informes: El sistema genera los informes de la base de datos de test, y se guardan en esta carpeta. Su nombre es bastante evidente y clarificador en el momento de generar dichos ficheros. Parte II: Programas 99 Parte II: Programas Parte II: Programas 106 Parámetros de salida: Característica: proporciona la característica con la que ha sido parametrizada la señal RR. rechazar_minutos: indica que minutos tienen una pérdida de señal. function [caracteristica,rechazar_minutos] = Parametriza2_NON_ZERO_PE_SD(x,coeficientes,filtros,parametrizacion,env,rp,E nt_Est, alpha,method,accu,PE_SD,tipo,sSq,Delta,W,inter_ms,aa) Esta función fue especialmente diseñada para acumular las características de la señal RR que corresponden con las tres definiciones de entropía de permutación y todos los casos de clasificación de variable simbólica. En total tenemos 13 parámetros. Parámetros de entrada añadidos (función modificada) Ent_Est,alpha,method,accu,tipo,sSq,Delta,W,inter_ms,aa Todos ellos están explicados en las funciones anteriores. PE_SD: Indica si se hace la parametrización con Entropía de permutación o con variable simbólica. Parámetros de salida: Característica: proporciona la característica con la que ha sido parametrizada la señal RR. rechazar_minutos: indica que minutos tienen una pérdida de señal. Parte III: Pliego de condiciones 107 Parte III: Pliego de condiciones Parte III: Pliego de condiciones 108 Parte III: Pliego de condiciones 109 El presente Trabajo Fin de Grado comprende toda una serie de métodos y aplicaciones de procesado de señales orientadas a estudiar señales fisiológicas cardiacas y de saturación de oxígeno para pacientes que padecen SAHS, y han sido tratadas con CPAP.También se indican tanto las herramientas software como hardware necesario para la elaboración del presente trabajo. Condiciones legales y administrativas A continuación se exponen los aspectos de tipo legal y administrativo que habrán de ser tenidos en cuenta para los futuros usuarios. Estas condiciones establecen las obligaciones, derechos y deberes que los autores adquieren con los usuarios del sistema implementado en este proyecto, y a su vez de los usuarios con los autores. Derechos de explotación y restricciones de uso La Universidad de Las Palmas de Gran Canaria es quien ostenta los derechos de explotación y cualquier usuario debe de estar de acuerdo en obligarse por los términos y condiciones establecidas en este Pliego de Condiciones, aceptando todos sus términos y estipulaciones. El uso de programas y base de datos o de una copia en ordenador personal de los mismos, será bajo la autorización expresa del autor, el director del proyecto y la Escuela de Ingeniería de Telecomunicación y Electrónica de la Universidad de Las Palmas de Gran Canaria. El usuario no podrá realizar ingeniería inversa, decompilación o desamblado de los programas. El usuario podrá transferir los programas y bases de datos a un tercero, siempre que no tenga copias de los mismos, incluyendo posibles actualizaciones o retener material escrito adicional que acompañe a los programas y la base de datos. Garantías y consideraciones adicionales El autor y el director del proyecto garantizan que los programas y la base de datos funcionarán correctamente en el momento de la correcta instalación. También se garantiza que el soporte en el cual está grabado el programa no contendrá defectos en el momento de la adquisición del mismo. Con la única excepción de lo expresamente expuesto en el párrafo anterior, los programas y bases de datos han sido creados sin garantías de ningún tipo. No se asegura, garantiza, o realiza ninguna declaración respecto al uso o los resultados derivados de la utilización de los programas o la base de datos. Tampoco se garantiza que la operación de los programas sea ininterrumpida o sin errores. Parte III: Pliego de condiciones 110 La confiabilidad de operación del programa puede ser afectada por factores adversos a los que se denominan "fallas del sistema". En estos se incluyen fluctuaciones en el sistema de alimentación eléctrico, errores en el funcionamiento del hardware del ordenador personal, sistema operativo o entorno del ordenador personal o entorno de desarrollo y ejecución usado para realizar la aplicación, errores de instalación, problemas de compatibilidad de software y hardware, fallas o funcionamientos incorrectos de equipos de control, fallas por uso, o errores por parte del usuario o autor de la aplicación. Cualquier aplicación donde una "falla de sistema" pueda crear un riesgo de daño a la propiedad o personas, no puede ser imputada al programa. Para evitar daños, el usuario deberá tomar razonablemente, todas las precauciones necesarias. Las garantías y consideraciones aquí expresadas se regirán por las leyes del estado español. El usuario acepta la jurisdicción exclusiva de los tribunales de este país con relación a cualquier disputa que pudiera derivarse de los derechos y garantías estipuladas en este documento. En ningún caso serán el autor, ni los tutores del proyecto, ni la Escuela de Telecomunicación y Electrónica de la Universidad de Las Palmas de Gran Canaria responsables de los perjuicios directos, indirectos, incidentales, probatorios o de los consiguientes, gastos, lucro cesante, pérdida de ahorros, interrupción de negocios, pérdida de información comercial o de negocio, o cualquier otra pérdida que resulte del uso o de la incapacidad de usar los programas o la base de datos. El usuario conoce y acepta esta asignación de riesgo así como el resto de garantías, derechos, deberes y restricciones. Se rechaza cualquier otra garantía, derecho, deber o restricción que no haya sido citada directamente en el Pliego de Condiciones. Herramientas utilizadas Los recursos empleados para el desarrollo del presente Trabajo Fin de Grado son: Ordenador de sobremesa: En el que se ha llevado a cabo tanto las modificaciones de los programa de partida para adaptarlos a la BBDD. Toda la batería de experimentos. Fase de preprocesado, extracción de características, entrenamiento, clasificación del sistema, y extracción de resultados finales. Las características técnicas del equipo son las siguientes:  Procesador Intel Core i7-3770 a 3,4GHz (4 núcleos)  6GB de memoria RAM  Disco Duro de 540GB  Sistemas Operativos: Windows 8 Enterprise 64 bits. Parte III: Pliego de condiciones 111 Microsoft Office Word 2013: Aplicación de la suite ofimática Microsoft Office utilizada para la redacción de los informes de seguimiento del presente TFG, la memoria. Microsoft Office Excel 2013: Aplicación de la suite ofimática Microsoft Office utilizada para la elaboración de las tablas presentes en el TFG. Microsoft Office Power Point 2013: Aplicación de la suite ofimática Microsoft Office utilizada para la elaboración de la presentación del presente TFG. Crimson: editor de texto de código fuente, utilizado para el análisis de los programas elaborados. MatLab® versión 2012, 64 bits, para el desarrollo de la totalidad de los algoritmos implementados en este TFG. Además del paquete básico se utilizó la siguiente librería para los algoritmos de clasificación:  PrTools, En este paquete de programas se encuentran implementados y optimizados la mayoría de clasificadores matemáticos existentes. Funciona bajo Matlab. Base de datos: Específica para el presente TFG, cuyo origen es la unidad asistencial de sueño del Hospital Universitario Gran Canaria Doctor Negrín. Parte III: Pliego de condiciones 112 Parte IV: Presupuesto 113 Parte IV: Presupuesto Parte IV: Presupuesto 114 Parte IV: Presupuesto 115 Presupuesto María Belén López Puetate, autora del presente Trabajo de Fin de Grado, declara que: El Trabajo de Fin de Grado, titulado “Caracterización y Reconocimiento de Pausas Respiratorias Durante el sueño en Tratamiento con CPAP”, desarrollado en la Escuela de Ingeniería de Telecomunicaciones y Electrónica, de la Universidad de Las Palmas de Gran Canaria, con un peso de 12 ECTS, correspondiente a 300h, de trabajo presencial y no presencial, tiene un coste de desarrollo total de 16.213,14 € correspondiente a la suma de las cantidades consignadas a los apartados considerados a continuación. Fdo: María Belén López Puetate Las Palmas de Gran Canaria a, 17 de julio de 2015. Parte IV: Presupuesto 122 Autora: María Belén López Puetate Fdo: Las Palmas de Gran Canaria a, 17 de julio de 2015. Parte IV: Presupuesto 123 Parte IV: Presupuesto 124