Gozqa7xbmaa7xqy.jpeg

La medicina del sueño es un campo fundamental que implica monitorear y evaluar señales fisiológicas para diagnosticar trastornos del sueño y comprender los patrones de sueño. Técnicas como la polisomnografía (PSG) registran las actividades cerebrales, cardíacas y respiratorias durante el sueño, proporcionando una descripción detallada de la salud del sueño de una persona. Estas señales son esenciales para categorizar las etapas del sueño e identificar los trastornos del sueño. La PSG normalmente incluye electroencefalogramas (EEG), electrooculogramas (EOG), electromiogramas (EMG), electrocardiogramas (ECG) y canales respiratorios. Cada modalidad ofrece una perspectiva única: las señales de actividad cerebral (BAS) miden la función cerebral, el ECG monitorea los ritmos cardíacos y los sensores respiratorios cuantifican los patrones respiratorios, proporcionando en conjunto una evaluación integral de la salud del sueño.

Analizar con precisión los datos del sueño es crucial debido a la complejidad de los trastornos del sueño. El análisis manual, que implica una inspección visual por parte de técnicos capacitados, requiere mucho tiempo, trabajo y es propenso a errores. Este método tradicional enfrenta importantes desafíos, especialmente con el creciente volumen de datos sobre el sueño. Por lo tanto, existe una necesidad apremiante de técnicas automatizadas que puedan analizar de manera eficiente y precisa los datos del sueño a través de múltiples señales fisiológicas. El objetivo es desarrollar modelos robustos que puedan manejar la complejidad de los datos del sueño y proporcionar diagnósticos confiables.

Los métodos actuales para el análisis de datos del sueño se basan principalmente en modelos supervisados ​​de aprendizaje profundo. Estos modelos se han mostrado prometedores en la automatización de la estadificación del sueño y la clasificación de trastornos del sueño como los trastornos respiratorios del sueño (TRS). Sin embargo, la mayoría de los métodos existentes dependen de datos etiquetados de tareas limitadas y no aprovechan toda la gama de señales fisiológicas disponibles del PSG. Por ejemplo, se han propuesto modelos DL como CNN y RNN para tareas de puntuación del sueño, pero a menudo necesitan ponerse al día en generalización y solidez. Además, si bien el aprendizaje contrastivo (CL) ha tenido éxito en otros dominios, su aplicación en la integración de BAS, ECG y señales respiratorias para el análisis del sueño sigue sin explorarse.

Investigadores de la Universidad de Stanford y la Universidad Técnica de Dinamarca presentaron DormirFM, un innovador modelo básico multimodal para el análisis del sueño. Este modelo aprovecha un amplio conjunto de datos de registros de sueño multimodales de más de 14.000 participantes, con un total de más de 100.000 horas de datos de sueño recopilados entre 1999 y 2020 en la Clínica del Sueño de Stanford. SleepFM utiliza un enfoque de aprendizaje contrastivo para integrar la actividad cerebral, el ECG y las señales respiratorias. Esta integración permite que el modelo capture representaciones fisiológicas integrales, lo que mejora significativamente la precisión del análisis del sueño.

SleepFM emplea tres redes neuronales convolucionales (CNN) 1D para generar incorporaciones de cada modalidad (BAS, ECG y señales respiratorias). La arquitectura de estos modelos se basa en una CNN 1D desarrollada para clasificar mediciones de ECG. Cada CNN está diseñada para manejar las características específicas de su respectiva modalidad: 10 canales para BAS, 2 para ECG y 7 para canales respiratorios. Se introduce una nueva técnica de aprendizaje contrastivo de dejar uno fuera, que supera significativamente el aprendizaje contrastivo por pares estándar en la captura de la sinergia entre diferentes señales fisiológicas.

https://arxiv.org/abs/2405.17766

En la clasificación de las etapas del sueño, SleepFM logró un AUROC macro de 0,88 y un AUPRC macro de 0,72, en comparación con 0,72 y 0,48 de las CNN de extremo a extremo. SleepFM superó a las CNN con un AUROC de 0,85 y un AUPRC de 0,77 para la detección de trastornos respiratorios del sueño, frente a 0,69 y 0,61 de las CNN. Además, las incorporaciones de SleepFM demostraron una precisión promedio del 48% en la recuperación de clips de grabación correspondientes de otras modalidades de 90.000 candidatos. Estos resultados subrayan la capacidad del modelo para integrar diversas señales fisiológicas y mejorar la precisión y eficiencia del análisis del sueño.

El éxito del modelo se atribuye principalmente a su capacidad para aprender representaciones ricas y multimodales de datos fisiológicos, que son cruciales para un análisis preciso del sueño. SleepFM también se destacó en la clasificación de atributos demográficos, mostrando una alta precisión en la predicción de la edad y el sexo a partir de clips de datos fisiológicos de 30 segundos. El modelo logró AUROC de 0,982, 0,852, 0,784 y 0,915 para los grupos de edad de 0 a 18, 18 a 35, 35 a 50 y mayores de 50 años, respectivamente. Para la clasificación de género, el AUROC fue de 0,850, superando significativamente a los modelos de referencia.

En conclusión, SleepFM representa un progreso significativo en la medicina del sueño al proporcionar un método automatizado, preciso y eficiente para analizar datos de sueño multimodales. SleepFM ofrece un enfoque holístico para comprender los patrones de sueño y diagnosticar trastornos mediante la integración de la actividad cerebral, el ECG y las señales respiratorias. El rendimiento superior del modelo en diversas tareas, incluida la clasificación de las etapas del sueño, la detección de trastornos respiratorios del sueño y la predicción demográfica, destaca su potencial para transformar las prácticas clínicas en la medicina del sueño. El éxito de SleepFM demuestra el valor del modelado holístico y multimodal del sueño para capturar la riqueza de los registros del sueño, lo que en última instancia contribuye a una mejor comprensión y mejora de la salud del sueño.


Revisar la Papel y GitHub. Todo el crédito por esta investigación va a los investigadores de este proyecto. Además, no olvides seguirnos en Gorjeo. Únete a nuestro Canal de telegramas, Canal de discordiay LinkedIn Grarriba.

Si te gusta nuestro trabajo, te encantará nuestro Boletin informativo..

No olvides unirte a nuestro SubReddit de 43k+ ML | Además, consulte nuestro Plataforma de eventos de IA


Asif Razzaq es el director ejecutivo de Marktechpost Media Inc.. Como empresario e ingeniero visionario, Asif está comprometido a aprovechar el potencial de la inteligencia artificial para el bien social. Su esfuerzo más reciente es el lanzamiento de una plataforma de medios de inteligencia artificial, Marktechpost, que se destaca por su cobertura en profundidad del aprendizaje automático y las noticias sobre aprendizaje profundo que es técnicamente sólida y fácilmente comprensible para una amplia audiencia. La plataforma cuenta con más de 2 millones de visitas mensuales, lo que ilustra su popularidad entre el público.